導(dǎo)讀:學(xué)習(xí)隨筆，近期一直在研究關(guān)于用戶的數(shù)據(jù)分析產(chǎn)品，網(wǎng)上翻閱了諸多文集，想想還是自己落筆記錄下過程。該篇文章主要是針對(duì)RFM模型的介紹與實(shí)踐，在研究理論的同時(shí)，亦學(xué)習(xí)鞏固下Python的能力。

RFM模型的概念和用途

名詞解釋

? R（Recency）：消費(fèi)間隔，最近一次距離上次消費(fèi)的時(shí)間間隔
? F（Frequency）：消費(fèi)頻次，一段時(shí)間（1個(gè)月/1年...）內(nèi)的消費(fèi)總次數(shù)
? M（Monetary）：消費(fèi)金額，一段時(shí)間（1個(gè)月/1年...）內(nèi)的消費(fèi)總金額

RFM模型概念

??????RFM模型是用戶價(jià)值研究中的經(jīng)典模型，基于近度（Recency），頻度（Frequency）和額度（Monetory）這3個(gè)指標(biāo)對(duì)用戶進(jìn)行聚類，找出具有潛在價(jià)值的用戶, 從而輔助商業(yè)決策，提高營銷效率。RFM作為一種數(shù)據(jù)驅(qū)動(dòng)的客戶細(xì)分技術(shù)，可幫助營銷人員做出更明智的戰(zhàn)略性決策，使?fàn)I銷人員能夠快速識(shí)別用戶并將其細(xì)分為同類群體，并針對(duì)性制定個(gè)性化的營銷策略，提高用戶的參與度和留存率。
??????RFM建模所需要的數(shù)據(jù)源是相對(duì)簡(jiǎn)單的，只用到了購買記錄中的時(shí)間和金額這兩個(gè)字段。我們基于交易數(shù)據(jù)中用戶的最后一次的購買時(shí)間，購買的次數(shù)以和頻率，以及平均/總消費(fèi)額對(duì)每個(gè)用戶計(jì)算了三個(gè)維度的標(biāo)準(zhǔn)分。然后我們對(duì)于三個(gè)維度賦予了不同的權(quán)重，再基于加權(quán)后的分值應(yīng)用K-Means進(jìn)行聚類，根據(jù)每種人群三個(gè)維度與平均值之間的高低關(guān)系，確定哪些是需要保持用戶，哪些是需要挽留的用戶，哪些是需要發(fā)展的用戶等。在將這些客戶圈出之后，便可以對(duì)不同客戶群使用不同針對(duì)性地營銷策略（引導(dǎo)，喚醒等），提高復(fù)購率與轉(zhuǎn)化率。值得注意的是，三個(gè)維度的權(quán)重制定并沒有統(tǒng)一的標(biāo)準(zhǔn)，比較通用的方法是用層次分析法(AHP)，實(shí)際場(chǎng)景結(jié)合行業(yè)以及具體公司的特點(diǎn)進(jìn)行因地制宜、因人而異的優(yōu)化。

RFM模型用途

RFM因素：
? R值越高，顧客的有效期越近，對(duì)商家活動(dòng)的響應(yīng)越積極
? F值越高，顧客的消費(fèi)頻次越高，對(duì)商家的忠誠度就越高
? M值越高，顧客的消費(fèi)能力越高，對(duì)商家貢獻(xiàn)度就越高
? 想要提高復(fù)購率和留存率，需要時(shí)刻警惕R值

RFM分析：
? 誰是您最有價(jià)值的客戶？
? 導(dǎo)致客戶流失率增多的是哪些客戶？
? 誰有潛力成為有價(jià)值的客戶？
? 你的哪些客戶可以保留?
? 您哪些客戶最有可能對(duì)參與度活動(dòng)做出響應(yīng)？
? 誰是你不需要關(guān)注的無價(jià)值客戶？
? 針對(duì)哪些客戶制定哪種發(fā)展、保留、挽回策略？

??????通過RFM模型，可以幫助營銷人員實(shí)現(xiàn)客戶細(xì)分；衡量客戶價(jià)值和客戶利潤創(chuàng)收能力；識(shí)別優(yōu)質(zhì)客戶；指定個(gè)性化的溝通和營銷服務(wù)；為更多的營銷決策提供有力支持。

基于RFM模型的實(shí)踐

實(shí)驗(yàn)數(shù)據(jù)

數(shù)據(jù)來源：某知名餐飲品牌2019年起注冊(cè)會(huì)員的消費(fèi)數(shù)據(jù)
樣本數(shù)據(jù)：會(huì)員id、訂單id、消費(fèi)日期、消費(fèi)金額
數(shù)據(jù)總量：134683（其中會(huì)員數(shù)為62018）
數(shù)據(jù)示例（如下表所示）：

數(shù)據(jù)預(yù)處理

數(shù)據(jù)導(dǎo)入：使用python的pandas.read_csv導(dǎo)入樣本數(shù)據(jù)。
缺失值校驗(yàn)：因數(shù)據(jù)為生產(chǎn)真實(shí)的交易數(shù)據(jù)，質(zhì)量相對(duì)較高，缺失值較低。

data.isnull().any(axis=0) # 檢查每一列是否有缺失值
data.isnull().any(axis=1) # 檢查每一行是否有缺失值

極值校驗(yàn)：第一份樣本數(shù)據(jù)獲取的用戶訂單實(shí)付金額，其中會(huì)存在優(yōu)惠或補(bǔ)差支付，同時(shí)因就餐人數(shù)不一致，產(chǎn)生的的訂單消費(fèi)也會(huì)存在較大的差異，造成極致波動(dòng)、標(biāo)準(zhǔn)差值較大，因此需對(duì)金額進(jìn)行處理，以人均消費(fèi)額替代訂單支付金額，可去掉10元以下、萬元以上的交易訂單。

print(data.describe())

獲取RFM值：使用 groupby獲取RFM值

# 計(jì)算原始最近一次訂單時(shí)間
r = date['curr_date'].groupby(date.index).max()
# 計(jì)算原始訂單頻率
f = date['order_id'].groupby(date.index).count()   
# 計(jì)算原始訂單總金額
m =date['pay'].groupby(date.index).sum()   

獲取RFM評(píng)分值：數(shù)據(jù)離散，pandas.cut

# 計(jì)算r得分 r_interval為當(dāng)前日期與R值的間隔天數(shù)
r_score = pd.cut(r_interval, 5, labels=[5, 4, 3, 2, 1])       
# 計(jì)算f得分
f_score = pd.cut(f, 5, labels=[1, 2, 3, 4, 5])   
# 計(jì)算m得分
m_score = pd.cut(m, 5, labels=[1, 2, 3, 4, 5])    
#RFM離散分布區(qū)間
# R
[(11.878, 36.4] < (36.4, 60.8] < (60.8, 85.2] < (85.2, 109.6] <(109.6, 134.0]]
# F
[(0.921, 16.8] < (16.8, 32.6] < (32.6, 48.4] < (48.4, 64.2] <(64.2, 80.0]]
# M
[(-12.407, 2728.684] < (2728.684, 5456.138] < (5456.138, 8183.592] <
(8183.592, 10911.046] < (10911.046, 13638.5]]

實(shí)驗(yàn)數(shù)據(jù)RFM分值占比

data_pd.plot(kind='bar',grid = True,colormap='Blues_r',stacked=True)

說明：F、M分布不均勻，極值差異大，經(jīng)數(shù)據(jù)探查知曉該商戶開通了企業(yè)團(tuán)餐業(yè)務(wù)，企業(yè)會(huì)給員工發(fā)放補(bǔ)貼，導(dǎo)致員工呈現(xiàn)較高的消費(fèi)頻次，該類用戶的消費(fèi)行為絕大程度依賴于企業(yè)，在實(shí)際的RFM模型可踢出此類訂單，降低此類人群的分值，其次數(shù)據(jù)中的M值為客戶實(shí)付金額，該商戶支持預(yù)定、會(huì)餐、大小桌，同一單的消費(fèi)群體不同，或可使用人均消費(fèi)總額作為M值。
RFM數(shù)據(jù)合并，建立R、F、M數(shù)據(jù)框：pandas+numpy

# 將R,F,M三個(gè)維度組成列表
rfm_list = [r_interval, frequency_value, monetary_value, r_score, f_score, m_score]   
# 設(shè)置R,F,M三個(gè)維度的列名  
rfm_cols = ['R', 'F', 'M', 'r_score', 'f_score', 'm_score']     
# 建立R,F,M數(shù)據(jù)框
rfm_pd = pd.DataFrame(np.array(rfm_list).transpose(), dtype=np.int32,
                      columns=rfm_cols, index=frequency_value.index) 

基于RFM模型的用戶評(píng)分分層

計(jì)算RFM綜合分值：權(quán)重法
權(quán)重值主要賦值方法可分為主觀賦權(quán)法、客觀賦權(quán)法，如下：
?主觀賦權(quán)法：主要由專家經(jīng)驗(yàn)得到權(quán)數(shù)，然后對(duì)指標(biāo)進(jìn)行綜合評(píng)價(jià)。是一種結(jié)合性方法，易操作，存在一定主觀性。常用方法：層次分析法AHP、權(quán)值因子判斷表法、德爾菲法、模糊分析法、二項(xiàng)系數(shù)法、環(huán)比評(píng)分法、最小平方法、序關(guān)系分析法等。
?客觀賦權(quán)法：依據(jù)歷史數(shù)據(jù)研究指標(biāo)之間的相關(guān)關(guān)系或指標(biāo)與評(píng)估結(jié)果的影響關(guān)系來綜合評(píng)價(jià)。這是定量研究，無須考慮決策者主觀意愿和業(yè)務(wù)經(jīng)驗(yàn)，計(jì)算方法較為復(fù)雜。常用方法：主成分分析、因子分析、熵值法、變異系數(shù)法、均方差法、回歸分析法等。
因樣本數(shù)據(jù)分布不均勻，故手動(dòng)賦權(quán)重值，去除部分極值。

#加權(quán)得分：
rfm_pd['rfm_wscore'] = rfm_pd['r_score']*0.8 + rfm_pd['f_score']*0.1 + rfm_pd['m_score']*0.1
# 散點(diǎn)圖繪制
rfmm.plot.scatter('R','F',c=rfmm.rfm_wscore
,s=100*rfmm.rfm_wscore,cmap='viridis',alpha=0.3
,figsize=(15,8),fontsize=12)

結(jié)論：以近90天的消費(fèi)活躍來看，用戶消費(fèi)頻次集中在1-6次，呈現(xiàn)出極佳的復(fù)購率?？梢葬槍?duì)消費(fèi)一次的人群進(jìn)行特征分析。比如針對(duì)人群的流動(dòng)性，若流動(dòng)人群占比較大，可進(jìn)一步推廣特色菜吸引客戶，若周邊人群占比較高，可基于復(fù)購人群的特征進(jìn)行分析，同時(shí)平臺(tái)可提供該類人群近期消費(fèi)偏好，供商家參考，制定針對(duì)性方案。

基于RFM的用戶價(jià)值分層

??????了解RFM定義后，將3個(gè)指標(biāo)作為坐標(biāo)系的XYZ坐標(biāo)軸，從空間上切割成8類，作為用戶的價(jià)值分層，如下圖：

用戶價(jià)值分層說明：

用戶價(jià)值分層

上面我們已經(jīng)計(jì)算得到各個(gè)用戶的RFM分值，接下來要依據(jù)分值進(jìn)行分類。
定義RFM 的分值等級(jí)

使用pyecharts繪制玫瑰圖：

# 獲取等級(jí)匯總數(shù)據(jù)
tmp = rfm_model.groupby('Label of Customer').size()
# 匯總結(jié)果轉(zhuǎn)化列表
t = [list(z) for z in zip(tmp.index.values.tolist(), tmp.values.tolist())]
# 繪制餅圖
pie = (
    Pie()
    .add('',t,radius=['30%','75%'],rosetype='radius',
     label_opts=opts.LabelOpts(is_show=True))
    .set_global_opts(title_opts=opts.TitleOpts(title='用戶價(jià)值分層',pos_left='center'),toolbox_opts=opts.ToolboxOpts(is_show=True),          legend_opts=opts.LegendOpts(orient='vertical',pos_right='2%',pos_top='30%'))
    .set_series_opts(label_opts=opts.LabelOpts(formatter=':u0z1t8os%'))
    .render("用戶價(jià)值分層.html")
)

結(jié)論：商家顧客表現(xiàn)出來的忠誠度較高，但新客獲取能力較低。但是單純看分層占比，并沒有實(shí)際意義，可以基于價(jià)值分層與其他特征關(guān)聯(lián)分析進(jìn)行精準(zhǔn)投放。如下圖（網(wǎng)絡(luò)參考圖，本期實(shí)驗(yàn)并未涉及其他特征）所示：

基于RFM模型的場(chǎng)景應(yīng)用

基于RFM模型構(gòu)建用戶畫像

??????用戶畫像是基于用戶信息與行為衍生出來的特征屬性，用戶的準(zhǔn)入信息是用戶的主觀特征，是一種既定的事實(shí)，通過對(duì)用戶行為的采集、研究，刻畫出單個(gè)用戶的特征。其意義在于基于某一事物對(duì)群里特征進(jìn)行分類，有效的體現(xiàn)事物的合適人群；同時(shí)針對(duì)群里特征的偏愛、習(xí)慣研究，可以刻畫出用戶的需求，實(shí)現(xiàn)精準(zhǔn)化營銷。

??????用戶畫像的基礎(chǔ)成分來源于用戶的準(zhǔn)入信息（會(huì)員注冊(cè)時(shí)的登記信息），更多的特征數(shù)據(jù)來源于用戶的各類行為，而RFM模型便是基于用戶消費(fèi)行為提煉出來的價(jià)值指標(biāo)。通過對(duì)各個(gè)價(jià)值分層的群體特征研究，可以有效提升獲客能力以及針對(duì)各類人群實(shí)現(xiàn)精準(zhǔn)化營銷。

基于RFM模型實(shí)現(xiàn)精準(zhǔn)營銷

??????市場(chǎng)和運(yùn)營往往絞盡腦汁做活動(dòng)、上新品、蹭熱點(diǎn)、做營銷，拓渠道，不斷開發(fā)客戶、做回訪維系客戶感情，除了少數(shù)運(yùn)氣好的之外，但大多效果寥寥，這是為何？
??????經(jīng)驗(yàn)豐富的營銷人員都知道“了解客戶”和“客戶細(xì)分”的重要性。營銷人員不僅要著眼于創(chuàng)造更多的訪問量和點(diǎn)擊量以提高客戶獲取，還必須遵循從提高點(diǎn)擊率（CTR）轉(zhuǎn)變?yōu)樘岣弑Ａ?，忠誠度并建立客戶關(guān)系的新范式。與其將整個(gè)客戶群作為一個(gè)整體進(jìn)行分析，不如將其劃分為同類群體，了解每個(gè)群體的特征，并使他們參與相關(guān)的活動(dòng)，而不是僅根據(jù)客戶年齡或地理位置進(jìn)行客戶細(xì)分。而RFM分析是市場(chǎng)營銷人員分析客戶行為的最流行、最簡(jiǎn)單、最有效的客戶細(xì)分方法之一。
針對(duì)RFM分層用戶制定相應(yīng)的營銷策略:
??????? 重要價(jià)值客戶是您的最佳客戶，他們是那些最新購買，最常購買，并且花費(fèi)最多的消費(fèi)者。提供VIP服務(wù)和個(gè)性化服務(wù)，獎(jiǎng)勵(lì)這些客戶，他們可以成為新產(chǎn)品的早期采用者，并有助于提升您的品牌。
??????? 重要發(fā)展客戶：近期客戶，消費(fèi)金額高，但平均頻率不太高，忠誠度不高。提供會(huì)員或忠誠度計(jì)劃或推薦相關(guān)產(chǎn)品以實(shí)現(xiàn)向上銷售并幫助他們成為您的忠實(shí)擁護(hù)者和高價(jià)值客戶。
??????? 重要保持客戶：經(jīng)常購買、花費(fèi)巨大，但最近沒有購買的客戶。向他們發(fā)送個(gè)性化的重新激活活動(dòng)以重新連接，并提供續(xù)訂和有用的產(chǎn)品以鼓勵(lì)再次購買。
??????? 重要挽回客戶：曾經(jīng)光顧，消費(fèi)金額大，購買頻率低，但最近沒有光顧的顧客。設(shè)計(jì)召回策略，通過相關(guān)的促銷活動(dòng)或續(xù)訂帶回他們，并進(jìn)行調(diào)查以找出問題所在，避免將其輸給競(jìng)爭(zhēng)對(duì)手。
???????一般價(jià)值客戶：最近購買，消費(fèi)頻次高但消費(fèi)金額低的客戶，需要努力提高其客單價(jià)，提供產(chǎn)品優(yōu)惠以吸引他們。
??????? 一般發(fā)展客戶：最近購買，但消費(fèi)金額和頻次都不高的客戶?？商峁┟赓M(fèi)試用以提高客戶興趣，提高其對(duì)品牌的滿意度。
??????? 一般保持客戶：很久未購買，消費(fèi)頻次雖高但金額不高的客戶?？梢蕴峁┓e分制，各種優(yōu)惠和打折服務(wù)，改變宣傳方向和策略與他們重新聯(lián)系，而采用公平對(duì)待方式是最佳。
??????? 一般挽留客戶：RFM值都很低的客戶。針對(duì)這類客戶可以對(duì)其減少營銷和服務(wù)預(yù)算或直接放棄。

??????此外，目前的RFM分析中，一般給與M值更高的權(quán)重，如果一般挽留客戶與一般發(fā)展客戶占據(jù)多數(shù)，說明公司的用戶結(jié)構(gòu)不是很合理，需要盡快采取措施進(jìn)行優(yōu)化。

作者申明：本文為作者學(xué)習(xí)隨筆，不做商業(yè)用途，作者有點(diǎn)懶，不習(xí)慣花時(shí)間組織語言,文中部分引用網(wǎng)絡(luò)專家用語。