项目背景
在面向客户制定运营策略、营销策略时，我们希望针对不同的客户推行不同的策略，实现精准化运营，以期获取最大的转化率。精准化运营的前提是客户分类。通过客户分类，对客户群体进行细分，区别出低价值客户、高价值客户，对不同的客户群体开展不同的个性化服务，将有限的资源合理地分配给不同价值的客户，实现效益最大化。在客户分类中，RFM模型是一个经典的分类模型，模型利用通用交易环节中最核心的三个维度——最近消费(Recency)、消费频率(Frequency)、消费金额(Monetary)细分客户群体，从而分析不同群体的客户价值。
项目目标
本项目借助某电商客户数据，探讨如何对客户群体进行细分，以及细分后如何利用RFM模型对客户价值进行分析。在本项目中，主要希望实现以下三个目标：1.借助某电商客户数据，对客户进行群体分类；2.比较各细分群体的客户价值；3.对不同价值的客户制定相应的运营策略。
分析过程
1.数据预览
我们的源数据是订单表，记录着用户交易相关字段
通过数据可以发现，订单状态有交易成功和退款关闭的，检查是否还有其他情况
只有这两种情况，后续清洗中需剔除退款订单。然后观察数据类型与缺失情况
订单一共28833行，没有缺失，付款日期是时间格式，实付金额、邮费和购买数量是数值型，其他均为字符串类型
2. 数据清洗
(1)剔除退款
(2)关键字段提取：提取RFM模型所需要的买家昵称，付款时间，实付金额
(3)关键字段构造：构建模型所需的三个字段，R(最近一次购买时间间隔),F(购买频次),M(平均或累计购买金额)
首先构造R值，思路是按买家昵称分组，选取付款日期最大值
为了得到最终的R值，用今天减去每位用户最近一次付款时间，就得到R值了，这份订单是7月1日生成的，所以这里我们把“2019-7-1”当作“今天”
然后处理F,即每个用户累计购买频次( 明确一下单个用户一天内购买多次订单合并为一次订单 )
思路：引入一个精确到天的日期标签，依照“买家昵称”和“日期标签”分组，把每个用户一天内的多次下单合并，再统计购买次数
最后处理M,本案例M指用户平均支付金额，可以通过总金额除以购买频次计算出来
三个指标合并
3. 维度打分
维度确认的核心是分值确定。RFM模型中打分一般采取5分制，依据数据和业务的理解，进行分值的划分
R值依据行业经验，设置为30天一个跨度，区间左闭右开
F值和购买频次挂钩，每多购买一次，分值多加一分
M值我们按照50元的一个区间来进行划分
这一步我们确定了一个打分框架，每一个用户的每个指标，都有其对应的分值
4. 分值计算
(1)算出每个用户的R,F,M分值
(2)简化分类结果
通过判断每个客户的R,F,M值是否大于平均值，来简化分类结果。0表示小于平均值，1表示大于平均值，整体组合下来有8个分组
5.客户分层
RFM经典分层按照R,F,M每一项指标是否高于平均值，把用户划分为8类
Python实现思路如下：先定义一个人群数值，将之前判断的R,F,M是否大于均值的三个值加起来
人群数值是数值类型，位于前面的0会自动略过，比如1代表001的高消费唤回客户人群，10对应010的一般客户
然后在python中定义一个判断函数，通过判断人群数值，来返回对应的分类标签
数据解读与建议：
首先查看各类用户占比情况
然后查看不同类型客户消费金额贡献占比
最后导出数据，在tableau中数据可视化展示
通过数据可视化后，我们可以发现：
1.客户流失情况严重，高消费唤回客户，流失客户占比超过总客户的50%
2.高消费唤回客户和频次深耕客户的金额总占比约66%，这两部分客户是消费的重点客户
3.流失客户和新客户的总人数占比约38%，但金额总占比只有约13%
建议：
1.针对高消费唤回客户，流失客户采用唤回策略，推送相关信息，发礼品券等挽留客户
2.针对高消费唤回客户和频次深耕客户，考虑继续挖掘其消费特性，如喜爱购买的产品，消费的时间段，后续据此加强店铺产品与时间段的改进，最大程度留住这两部分客户
3.针对流失客户和新客户金额总占比低，建议推出一些低价产品，用来拉取新客户，保证店铺的活跃性。
在面向客户制定运营策略、营销策略时，我们希望针对不同的客户推行不同的策略，实现精准化运营，以期获取最大的转化率。精准化运营的前提是客户分类。通过客户分类，对客户群体进行细分，区别出低价值客户、高价值客户，对不同的客户群体开展不同的个性化服务，将有限的资源合理地分配给不同价值的客户，实现效益最大化。在客户分类中，RFM模型是一个经典的分类模型，模型利用通用交易环节中最核心的三个维度——最近消费(Recency)、消费频率(Frequency)、消费金额(Monetary)细分客户群体，从而分析不同群体的客户价值。
项目目标
本项目借助某电商客户数据，探讨如何对客户群体进行细分，以及细分后如何利用RFM模型对客户价值进行分析。在本项目中，主要希望实现以下三个目标：1.借助某电商客户数据，对客户进行群体分类；2.比较各细分群体的客户价值；3.对不同价值的客户制定相应的运营策略。
分析过程
1.数据预览
我们的源数据是订单表，记录着用户交易相关字段
通过数据可以发现，订单状态有交易成功和退款关闭的，检查是否还有其他情况
只有这两种情况，后续清洗中需剔除退款订单。然后观察数据类型与缺失情况
订单一共28833行，没有缺失，付款日期是时间格式，实付金额、邮费和购买数量是数值型，其他均为字符串类型
2. 数据清洗
(1)剔除退款
(2)关键字段提取：提取RFM模型所需要的买家昵称，付款时间，实付金额
(3)关键字段构造：构建模型所需的三个字段，R(最近一次购买时间间隔),F(购买频次),M(平均或累计购买金额)
首先构造R值，思路是按买家昵称分组，选取付款日期最大值
为了得到最终的R值，用今天减去每位用户最近一次付款时间，就得到R值了，这份订单是7月1日生成的，所以这里我们把“2019-7-1”当作“今天”
然后处理F,即每个用户累计购买频次( 明确一下单个用户一天内购买多次订单合并为一次订单 )
思路：引入一个精确到天的日期标签，依照“买家昵称”和“日期标签”分组，把每个用户一天内的多次下单合并，再统计购买次数
最后处理M,本案例M指用户平均支付金额，可以通过总金额除以购买频次计算出来
三个指标合并
3. 维度打分
维度确认的核心是分值确定。RFM模型中打分一般采取5分制，依据数据和业务的理解，进行分值的划分
R值依据行业经验，设置为30天一个跨度，区间左闭右开
F值和购买频次挂钩，每多购买一次，分值多加一分
M值我们按照50元的一个区间来进行划分
这一步我们确定了一个打分框架，每一个用户的每个指标，都有其对应的分值
4. 分值计算
(1)算出每个用户的R,F,M分值
(2)简化分类结果
通过判断每个客户的R,F,M值是否大于平均值，来简化分类结果。0表示小于平均值，1表示大于平均值，整体组合下来有8个分组
5.客户分层
RFM经典分层按照R,F,M每一项指标是否高于平均值，把用户划分为8类
Python实现思路如下：先定义一个人群数值，将之前判断的R,F,M是否大于均值的三个值加起来
人群数值是数值类型，位于前面的0会自动略过，比如1代表001的高消费唤回客户人群，10对应010的一般客户
然后在python中定义一个判断函数，通过判断人群数值，来返回对应的分类标签
数据解读与建议：
首先查看各类用户占比情况
然后查看不同类型客户消费金额贡献占比
最后导出数据，在tableau中数据可视化展示
通过数据可视化后，我们可以发现：
1.客户流失情况严重，高消费唤回客户，流失客户占比超过总客户的50%
2.高消费唤回客户和频次深耕客户的金额总占比约66%，这两部分客户是消费的重点客户
3.流失客户和新客户的总人数占比约38%，但金额总占比只有约13%
建议：
1.针对高消费唤回客户，流失客户采用唤回策略，推送相关信息，发礼品券等挽留客户
2.针对高消费唤回客户和频次深耕客户，考虑继续挖掘其消费特性，如喜爱购买的产品，消费的时间段，后续据此加强店铺产品与时间段的改进，最大程度留住这两部分客户
3.针对流失客户和新客户金额总占比低，建议推出一些低价产品，用来拉取新客户，保证店铺的活跃性。
温馨提示：答案为网友推荐，仅供参考
第1个回答 2023-10-08
RFM模型用于分析客户价值，它需要提供三项数据，分别是最近一次消费 (Recency)，消费频率 (Frequency)，和消费金额 (Monetary)。最近一次消费指研究时间点减去用户最近一次消费的时间，得到的gap时间值，单位上是天或月或周或年均可，以实际业务情况为准。消费频率是研究数据范畴内用户的消费次数，消费金额指研究数据范畴内用户的消费总计金额。
RFM的原理在于将RFM这三项数据进行分类，首先是分成1~5分计分方式，然后接着将1~5分计分方式按平均值大小分成两类群体（高价值和低价值群体）。最后RFM分别为两类群体即2*2*2=8种组合，8种组合对应着8类价值人群，最终结合此8类价值人群提供有针对性的营销策略。
SPSSAU操作如下：
SPSSAU共输出4个表格：
相似回答