概述

模型概念

RFM 模型是衡量客户价值和客户创造利益能力的重要工具和手段。根据美国数据库营销研究所 Arthur Hughes 的研究，客户数据库中有 3 个神奇的要素：

  • 最近一次消费时间（Recency）：客户距离最近的一次消费时间的间隔。
  • 最近一段时间内消费频次（Frequency）：指客户在限定的期间内所消费购买的次数。
  • 最近一段时间内消费金额（Monetary）：客户的消费能力，通常以客户单次的平均消费金额作为衡量指标。

这 3 个要素构成了数据分析最好的指标。

得到客户的特征向量值后，在 R、F、M 任意一项中的价值可被分为高（1）、低（0）两类，综合 R、F、M 三项的表现，用户可被划分为 8 种类型，详细类型及分类规则如下表所示：

客户类型客户价值分类说明
重要价值客户(1 1 1)最近消费时间近、消费频次和消费金额都很高（VIP）
重要发展客户(1 0 1)最近消费时间较近、消费金额高，但频次不高，忠诚度不高，
很有潜力的用户，必须重点发展。
重要保持客户(0 1 1)最近消费时间较远，消费金额和频次都很高。
重要挽留客户(0 0 1)最近消费时间较远、消费频次不高，但消费金额高的用户，
可能是将要流失或者已经要流失的用户。
一般价值客户(1 1 0)最近消费时间近，频率高但消费金额低，需要提高其客单价。
一般发展客户(1 0 0)最近消费时间较近、消费金额，频次都不高。
一般保持客户(0 1 0)最近消费时间较远、消费频次高，但金额不高。
一般挽留客户(0 0 0)三个关键指标都不高。

应用意义

RFM 分析就是通过三个关键指标对客户进行观察和分类，判断每类细分用户的价值。针对不同的特征的客户进行相应的营销策略。

RFM 非常适用于生产多种商品的企业，而且这些商品单价相对不高，如消费品、化妆品、小家电、录像带店、超市等；它也适合在一个企业内只有少数耐久商品，但是该商品中有一部分属于消耗品，如复印机、打印机、汽车维修等消耗品；RFM 对于加油站、旅行保险、运输、快递、快餐店、KTV、行动电话信用卡、证券公司等也很适合。

实战

基础数据

这里只选择最基本的三个字段进行分析，数据字段为：

  • CardID：客户
  • TrxDate：消费时间
  • Amount：消费金额

部分数据如下：

CardIDTrxDateAmount
10001012019-01-0977035
10001012019-11-0698946
10001022020-03-05178002
10001022020-06-03381420
10001022019-01-05152999
10001022020-01-02256770
10001032019-01-0231538
10001032019-06-07215572
10001032019-01-0727906
10001032019-01-0565549

数据下载地址：rfm uas

数据处理

  1. 计算 RFM 三个字段：

    1
    2
    3
    4
    5
    6
    SELECT RIGHT("card_id", 3) AS "card_id",
      CURRENT_DATE - MAX("trx_date") AS "r", -- 距离最近的一次消费时间的间隔
      COUNT("card_id") AS "f", -- 消费频率
      ROUND(AVG("amount"), 4) AS "m" -- 单次的平均消费金额
    FROM "rfm"
    GROUP BY "card_id"

  2. 构造客户 RFM 特征向量值，这里通过判断是否大于均值去构造特征向量值，也可以使用标准化后的数据作为特征向量值，再使用 KMeans 等聚类方法将客户分为 8 个类别，再自行区分客户价值类型。

    1
    2
    3
    4
    5
    6
    7
    8
    SELECT *,
        CASE WHEN ("r" - AVG("r") OVER()) < 0 THEN 1 ELSE 0 END AS "vr", -- 时间间隔小于平均值则 1
        CASE WHEN ("f" - AVG("f") OVER()) > 0 THEN 1 ELSE 0 END AS "vf", -- 消费频率大于平均值则 1
        CASE WHEN ("m" - AVG("m") OVER()) > 0 THEN 1 ELSE 0 END AS "vm", -- 平均消费金额大于平均值则 1
        ROUND(("r" - AVG("r") OVER()) / STDDEV("r") OVER(), 4) AS "zr", -- 标准化
        ROUND(("f" - AVG("f") OVER()) / STDDEV("f") OVER(), 4) AS "zf", -- 标准化
        ROUND(("m" - AVG("m") OVER()) / STDDEV("m") OVER(), 4) AS "zm" -- 标准化
      FROM ( ... ) t1

  3. 如果是用均值构造特征向量值，则可继续使用 SQL 进行客户价值分类，如果使用分类模型，则可导出数据到 Python 等处理。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    SELECT *,
        CASE
          WHEN "vr" = 1 AND "vf" = 1 AND "vm" = 1 THEN '重要价值客户'
          WHEN "vr" = 1 AND "vf" = 0 AND "vm" = 1 THEN '重要发展客户'
          WHEN "vr" = 0 AND "vf" = 1 AND "vm" = 1 THEN '重要保持客户'
          WHEN "vr" = 0 AND "vf" = 0 AND "vm" = 1 THEN '重要挽留客户'
          WHEN "vr" = 1 AND "vf" = 1 AND "vm" = 0 THEN '一般价值客户'
          WHEN "vr" = 1 AND "vf" = 0 AND "vm" = 0 THEN '一般发展客户'
          WHEN "vr" = 0 AND "vf" = 1 AND "vm" = 0 THEN '一般保持客户'
          WHEN "vr" = 0 AND "vf" = 0 AND "vm" = 0 THEN '一般挽留客户'
          ELSE NULL
        END AS cls
      FROM (...) t2

完整 SQL:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
SELECT *,
    CASE
      WHEN "vr" = 1 AND "vf" = 1 AND "vm" = 1 THEN '重要价值客户'
      WHEN "vr" = 1 AND "vf" = 0 AND "vm" = 1 THEN '重要发展客户'
      WHEN "vr" = 0 AND "vf" = 1 AND "vm" = 1 THEN '重要保持客户'
      WHEN "vr" = 0 AND "vf" = 0 AND "vm" = 1 THEN '重要挽留客户'
      WHEN "vr" = 1 AND "vf" = 1 AND "vm" = 0 THEN '一般价值客户'
      WHEN "vr" = 1 AND "vf" = 0 AND "vm" = 0 THEN '一般发展客户'
      WHEN "vr" = 0 AND "vf" = 1 AND "vm" = 0 THEN '一般保持客户'
      WHEN "vr" = 0 AND "vf" = 0 AND "vm" = 0 THEN '一般挽留客户'
      ELSE NULL
    END AS cls
  FROM (
        SELECT *,
            CASE WHEN ("r" - AVG("r") OVER()) < 0 THEN 1 ELSE 0 END AS "vr", -- 时间间隔小于平均值则 1
            CASE WHEN ("f" - AVG("f") OVER()) > 0 THEN 1 ELSE 0 END AS "vf", -- 消费频率大于平均值则 1
            CASE WHEN ("m" - AVG("m") OVER()) > 0 THEN 1 ELSE 0 END AS "vm", -- 平均消费金额大于平均值则 1
            ROUND(("r" - AVG("r") OVER()) / STDDEV("r") OVER(), 4) AS "zr", -- 标准化
            ROUND(("f" - AVG("f") OVER()) / STDDEV("f") OVER(), 4) AS "zf", -- 标准化
            ROUND(("m" - AVG("m") OVER()) / STDDEV("m") OVER(), 4) AS "zm" -- 标准化
          FROM (
                SELECT RIGHT("card_id", 3) AS "card_id",
                    CURRENT_DATE - MAX("trx_date") AS "r", -- 距离最近的一次消费时间的间隔
                    COUNT("card_id") AS "f", -- 消费频率
                    ROUND(AVG("amount"), 4) AS "m" -- 单次的平均消费金额
                  FROM "rfm"
                GROUP BY "card_id") t1
        ) t2
ORDER BY "card_id"

输出数据

card_idrfmvrvfvmzrzfzmcls
101891287990.50000000.3689-0.5642-1.3177一般挽留客户
1026814242297.7500111-0.69170.65380.5175重要价值客户
1031043485141.25000011.13650.6538-1.3516重要挽留客户
10412001231207.00000101.9294-1.17330.3856一般保持客户
1058017188911.8571101-0.08562.4809-0.1175重要发展客户
1068325275764.20000110.07091.26280.9155重要保持客户
1076181348289.0000110-1.0098-1.17331.7780一般价值客户

数据可视化

  1. 绘制 R-客户 的散点图，其中 X 轴为客户，Y 轴为距离最后一次消费的时间间隔 R，其中 R 特征值为 1（R < 平均值）的为价值用户（1 1 ?）和发展用户（1 0 ?）。

    R-客户

  2. 绘制 F-客户 的散点图，其中 X 轴为客户，Y 轴为客户消费频次，其中 F 特征值为 1（F > 平均值）的为价值用户（1 1 ?）和发展用户（0 1 ?）保持用户。

    F-客户

  3. 绘制 M-客户 的散点图，其中 X 轴为客户，Y 轴为客户单次平均消费金额，其中 M 特征值为 1（M > 平均值）的为重要用户（1 ? ?）。

    M-客户

  4. 绘制 RFM 模型气泡图，其中 X 轴为消费频率 F，Y 轴为消费金额 M，气泡大小为距离最后一次消费的时间间隔 R（气泡越大说明时间间隔越长，客户价值越低），气泡颜色各个客户分类。

    RFM模型气泡图