通過(guò)RFM方法额各，我們根據(jù)用戶的屬性數(shù)據(jù)分析，對(duì)用戶進(jìn)行了歸類吧恃。在推送虾啦、轉(zhuǎn)化等很多過(guò)程中，可以更加精準(zhǔn)化痕寓，不至于出現(xiàn)用戶反感的情景懒豹，更重要的是笼沥，對(duì)產(chǎn)品轉(zhuǎn)化等商業(yè)價(jià)值也有很大的幫助。
應(yīng)用背景：
在產(chǎn)品迭代過(guò)程中，通常需要根據(jù)用戶的屬性進(jìn)行歸類囚衔，也就是通過(guò)分析數(shù)據(jù)昆雀，對(duì)用戶進(jìn)行歸類甩苛，以便于在推送及轉(zhuǎn)化過(guò)程中獲得更大的收益会宪。
分析方法：
RFM分析（Recency，F(xiàn)requency元践，Monetary）
分析工具：
SPSS（數(shù)據(jù)分析的重量級(jí)應(yīng)用韭脊，與SAS二選一）
一.RFM基礎(chǔ)知識(shí)
所謂探索性分析，主要是運(yùn)用一些分析方法從大量的數(shù)據(jù)中發(fā)現(xiàn)未知且具有價(jià)值信息的過(guò)程单旁。
常用的探索性分析方法包括：RFM分析乾蓬、聚類分析、因子分析慎恒、對(duì)應(yīng)分析等任内。
RFM的含義：
R（Recency）：客戶最近一次交易時(shí)間的間隔。R值越大融柬，表示客戶交易發(fā)生的日期越久死嗦，反之則表示客戶交易發(fā)生的日期越近。
F（Frequency）：客戶在最近一段時(shí)間內(nèi)交易的次數(shù)粒氧。F值越大越除，表示客戶交易越頻繁，反之則表示客戶交易不夠活躍。
M（Monetary）：客戶在最近一段時(shí)間內(nèi)交易的金額摘盆。M值越大翼雀，表示客戶價(jià)值越高，反之則表示客戶價(jià)值越低孩擂。
RFM分析就是根據(jù)客戶活躍程度和交易金額的貢獻(xiàn)狼渊，進(jìn)行客戶價(jià)值細(xì)分的一種方法。
RS：基于最近一次交易日期計(jì)算的得分类垦，距離當(dāng)前日期越近狈邑，得分越高。例如5分制蚤认。
FS：基于交易頻率計(jì)算的得分米苹，交易頻率越高，得分越高砰琢。如5分制蘸嘶。
MS：基于交易金額計(jì)算的得分，交易金額越高陪汽，得分越高训唱。如5分制。
RFM總分值：RFM=RS*100+FS*10+MS*1
RFM分析的主要作用：
識(shí)別優(yōu)質(zhì)客戶掩缓⊙┣椋可以指定個(gè)性化的溝通和營(yíng)銷服務(wù)遵岩，為更多的營(yíng)銷決策提供有力支持你辣。
能夠衡量客戶價(jià)值和客戶利潤(rùn)創(chuàng)收能力。
RFM的假設(shè)前提：
假設(shè)交易的可能性：
最近交易過(guò)的客戶 > 最近沒(méi)有交易過(guò)的
交易頻率高的客戶 > 交易頻率低的
交易金額大的客戶 > 交易金額小的
二.分析實(shí)踐
RFM接受的數(shù)據(jù)格式有兩種：
交易數(shù)據(jù)：每次交易占用一行尘执，關(guān)鍵變量是客戶ID舍哄、交易時(shí)間、交易金額誊锭。
客戶數(shù)據(jù)：每次交易占用一行表悬，關(guān)鍵變量是客戶ID、交易總金額丧靡、最近交易日期蟆沫、交易總次數(shù)。
我們通常采用交易數(shù)據(jù)的格式進(jìn)行分析温治。因?yàn)榻灰讛?shù)據(jù)可以整理成客戶數(shù)據(jù)饭庞，而客戶數(shù)據(jù)無(wú)法還原成交易數(shù)據(jù)。即用交易數(shù)據(jù)的字段可以得到客戶數(shù)據(jù)的字段熬荆，反之不行舟山。
具體是“交易數(shù)據(jù)”還是“客戶數(shù)據(jù)”根據(jù)數(shù)據(jù)源文件的格式而定。
變量：選擇各個(gè)變量。
分箱化：評(píng)分的總分是多少累盗。
保存：生成哪些新的變量寒矿，可以自定義名稱。
輸出：可以全部勾選若债，為了能全面的解讀RFM分析結(jié)果符相。
確定后，生成了四個(gè)新的變量：
嶄新-得分：最后一次交易的時(shí)間間隔得分拆座；
頻率-得分：交易總次數(shù)得分主巍；
消費(fèi)金額-得分：交易總金額得分；
RFM得分：RFM得分
三.結(jié)果解讀（最重要的環(huán)節(jié)）
該圖主要用來(lái)查看每個(gè)RFM匯總得分的客戶數(shù)量分布是否均勻挪凑。
我們期望均勻的分布孕索，若不均分，則應(yīng)該重新考慮RFM的適用性或嘗試另一種分箱方法（減少分箱數(shù)目或隨機(jī)分配綁定值）躏碳。
“RFM熱圖”是交易金額均值在RS和FS繪制的矩陣圖上的圖形化表示搞旭，用顏色深淺表示交易金額均值的大小，顏色越深菇绵，表示相應(yīng)矩陣塊內(nèi)的客戶交易金額均值越高肄渗。
如本例隨著RS和FS的分值增大，顏色越來(lái)越深咬最，說(shuō)明客戶最近一次交易時(shí)間越近翎嫡、交易次數(shù)越多，其平均交易金額越高永乌。
該圖是最后一次交易時(shí)間惑申、交易總次數(shù)、交易總金額之間的散點(diǎn)圖翅雏。
通過(guò)散點(diǎn)圖可以清晰直觀的看到三個(gè)分析指標(biāo)兩兩之間的關(guān)系圈驼，便于指標(biāo)相關(guān)性評(píng)估。
本例中望几，交易總次數(shù)和交易總金額存在較為明顯的線性關(guān)系绩脆，而最后一次交易時(shí)間和另外兩個(gè)分析指標(biāo)之間的相關(guān)性較弱。
四.RFM分析應(yīng)用
為客戶分組橄抹，即將三個(gè)指標(biāo)分別分為“高”和“低”兩種靴迫，高于均值的為“高”，低于均值的為“低”楼誓。
因此有三件事要做：
計(jì)算出各個(gè)指標(biāo)得分的平均值玉锌；
將各個(gè)變量高于平均分的定義為“高”，低于平均分的定義為“低”慌随；
根據(jù)三個(gè)變量“高”“低”的組合來(lái)定義客戶類型芬沉；如“高”“高”“高”為高價(jià)值客戶躺同。
第一步，先計(jì)算各個(gè)指標(biāo)的平均值丸逸。
一定要勾選平均值蹋艺，否則輸出結(jié)果中沒(méi)有“平均值”。
現(xiàn)在我們得到了各個(gè)變量的平均分：3.33黄刚，2.99捎谨，3.01。
第二步憔维，將各個(gè)變量高于平均分值的定義為“高”涛救，否則為“低”。
按照1-2-3-4-5的步驟設(shè)置高于平均值的為“2”业扒，也可以設(shè)置為“高”
同理去設(shè)置FS和MS检吆。
設(shè)置后結(jié)果如下：
可以在變量設(shè)置里設(shè)置標(biāo)簽，1代表“低”程储，2代表“高”蹭沛，也可以在“重新編碼到不同變量”里面設(shè)置時(shí)就直接定義為“高低”，而不是“1和2”章鲤。
第三步：通過(guò)各個(gè)變量的高低組合摊灭，確定客戶類型。
第三區(qū)域：可以是公式败徊，也可以是具體的數(shù)字帚呼，其實(shí)這里就是輸出結(jié)果。
第四區(qū)域：表示滿足的條件皱蹦。
同理在“變量設(shè)置”里對(duì)標(biāo)簽就行設(shè)置就行煤杀。
最終分析結(jié)果如下：
通過(guò)RFM方法，我們根據(jù)用戶的屬性數(shù)據(jù)分析根欧，對(duì)用戶進(jìn)行了歸類怜珍。在推送端蛆、轉(zhuǎn)化等很多過(guò)程中凤粗，可以更加精準(zhǔn)化，不至于出現(xiàn)用戶反感的情景今豆，更重要的是嫌拣，對(duì)產(chǎn)品轉(zhuǎn)化等商業(yè)價(jià)值也有很大的幫助。
本文系轉(zhuǎn)載呆躲，原文鏈接：http://www.woshipm.com/data-analysis/708326.html
