目录

RFM指标的简介

RFM指标的意义—新增【客户价值】字段—衡量当前客户价值及其潜在价值的重要工具和手段

RFM指标的应用→得到【客户价值】字段

T1、基于RFM模型指标分段通过打标签直接进行客户分群→得到【客户价值·客户群类】字段

T2、基于RFM模型指标分段打分并结合聚类算法进行客户分群→得到【客户价值·客户得分/群类】字段

(1)、给客户打分

(2)、给客户分群

RFM指标的简介

        在众多的客户关系管理(CRM)的分析模型中，RFM模型是被广泛提到的。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期交易行为、交易的总体频率以及交易金额三项指标来描述该客户的价值状况，依据这三项指标划分8类客户价值：重要价值客户、重要唤回客户、重要深耕客户、重要挽留客户、潜力客户、新客户、一般维持客户、流失客户。

RFM指标的意义—新增【客户价值】字段—衡量当前客户价值及其潜在价值的重要工具和手段

        根据RFM模型，就可以根据在某一段时间内业务订单数据，统计客户最近的消费间隔、消费次数和消费金额。可以进一步地，利用机器学习中的K-Means算法对客户进行聚类分群。当然，不仅仅可以局限于这三个数据字段，还可以根据业务需求，加入其他字段，进行调整模型。

        对于电商网站，如果要做一次营销推荐活动，需要针对不同价值的客户群体，进行分群推荐。对于高价值的客户推荐手表、珠宝等高端商品，而对于低价值客户推荐打折促销的廉价商品。当然，还有以下这些问题都是需要考虑的：

• 1)、谁是最佳客户？
• 2)、谁即将要成为流失客户？
• 3)、谁将有潜力成为有价值的客户?
• 4)、哪些客户能够留存？
• 5)、哪些客户会对目前的活动有所反应？

        总而言之，最终的问题会转化为如何对客户进行分群，即如何建立客户的价值模型。目前来说，RFM模型作为客户细分模型是被广泛用在传统零售企业和现代电商中。

RFM指标的应用→得到【客户价值】字段

T1、基于RFM模型指标分段通过打标签直接进行客户分群→得到【客户价值·客户群类】字段

        基于RFM模型，利用三个不同维度的指标分别进行客户细分，细分可以由数据驱动划分，基于大量的数据进行合理规划，但是也并非越细越好。因为一旦用户细分群组过多，第一个是会给自己的营销方案执行带来较大的难度，第二个是可能会遗漏用户群或者对同个用户造成多次打扰。

T2、基于RFM模型指标分段打分并结合聚类算法进行客户分群→得到【客户价值·客户得分/群类】字段

(1)、给客户打分

T1、三个维度得分直接累加法

       一般情况下，可以直接累加每个用户三个维度的指标得分(R_Score、F_Score、M_Score)，得到客户质量分，最终筛选出合适的目标用户。

       首先，可以根据实际情况，自定义RFM的分段及其对应分段的分值，比如一般每个指标分为3~5个区间，其中R值可以根据开店以来的时间和产品的回购周期来判定，F值根据现有店铺的平均购买频次，M值可参考客单价的分段指标。

       然后，以用户为维度，来计算每个客户的RFM各个指标得分(R_Score、F_Score、M_Score)，相加之后，根据总得分筛选出优质的客户。

       比如，甲客户是女性，淘宝上经常购物的用户，而乙客户是个宅男码农。虽然，可以看出是两种不同类型的客户，但是，甲客户买的频繁但总价值和不经常买东西的乙客户一样，其最后得分也都是10分。

T2、三个维度得分赋权累加法

       计算各个用户价值(给每位用户打总分)。基于实际业务经验，给RFM赋予权重（目前权重采用R:F:M =0.25:0.25:0.5 ），计算各用户价值。

(2)、给客户分群

       利用聚类方法对用户进行分组：利用K-Means、层次聚类等无监督学习方法，对用户进行聚类分析，划分客户群体。一般可以分为八个类别，但也可以依据实际业务情况而定。

参考文章

客户价值模型：RFM_宝哥大数据的博客-CSDN博客_rfm模型的三个指标