数据分析 一文搞懂什么是RFM模型

数据分析 | 一文搞懂什么是RFM模型

想知道你在电商平台心里的地位吗?学会RFM分析法,你自然知道

大家好,我是翔宇!今天我们来了解做数据分析一定要会的分析方法之一----RFM分析法

相信大家在前天的双十一一定也多多少少贡献了自己的力量了吧!

image-20211113011021911

剁手然后吃土,那么你是否思考过你在眼里是上帝还是可有可无?基于这个问题,今天我特意来和大家聊聊RFM模型,了解RFM模型之后,上面的问题将迎刃而解。如果我直接将RMF的原理及实现,我怕各位立马划走,所以,我们先来看看有趣的场景,再根据此场景逐步剖析RFM。

​一.场景

​ 公司里面有这样一个场景,一个搞食品的公司在某一个月突然就发现相比上个月来说月销售极度下跌,老板惊慌失措,找来下属分析原因,但是没有一个人能够清楚的讲出导致此次事故的重要原因。后来发现,这个公司出现这样的情况可谓真的是活该,因为他们连一个数据分析师都没有。听了高人的建议后,找来了数据分析师,果不其然,在了解大致描述后,只见数据分析师花了一个下午利用Excel做了一些简单的统计图表,便直接给出了导致销售额下降的原因。原因是,重要“价值客户“流失。后来找到并查看了“重要价值客户”名单以及其此月的销售额贡献情况。证实了数据分析师得出的结论的确是正确的。那么,到底数据分析师是怎样从数据之中得到连相关人员都不知道的情况的呢?

image-20211113010936921

​ 二、RFM模型

上面的场景中,数据分析师是如何找到原因的呢?他能解决这样的问题用到的就是我们这里要讲的RFM模型。首先我们先来介绍一下三个字母的意思。实际上这三个字母分别代表以下三个指标。

R 最近1次消费时间间隔(Recency)

F 消费频率(Frequency)

M 消费金额(Monetary):一段时间内消费的总金额(“一段时间”通常根据不同应用场景来定)

而用这三个指标进行分析的方法就叫RFM模型或者是RFM分析法

这个分析方法,在进行数据分析时通常我们将它用来客户群体划分上面。比如上面的场景中我们想要找到哪些客户属于“高价值”客户,哪些客户是“一般价值”客户,哪些又是“低价值“客户?这个时候我们就可以用这样三个指标来做评价的依据。以此来对客户进行“分层”。

那么,相信很明显,三个指标中

第一个指标R一定是越低越好

例如,翔宇开了一个店铺,今天是31号,我要根据这个月的销售情况读客户分群,找到不同“层次”的客户。而张三是店里的常客,他这个月最后一次在翔宇的店里消费是29号,那么距离31号是2天,这个时候,我们就说R等于2,于是我们肯定是认为R越小,客户价值越高。

第二个指标是消费频率F,F一定是越高越好了,这个就更简单了吧,就比如还是上面的例子,这个月张三总共来了翔宇的店里消费了5次,那么F就是5,我们希望F越大越好

第三个是消费金额M,这个就更明显了,我就不解释了啊,M一定是越大客户越有价值

知道这三个指标后,RFM模型是根据这三个指标得到一个三维的空间(立体坐标系),然后将客户根据各自三个指标的值映射到8个象限中,根据查看客户所在象限确定其价值程度。如下图。

image-20211113005720551

image-20211113005730424

(以上图片来源于网络)

那么,通过这样八个维度的划分,我们就成功将客户划分成了八个类别。那么接下来问题来了,我们需要怎样衡量每一个客户的RFM指标呢?给定一个用户,我们怎样才能正确将他划分呢?对于每一个指标来说,我们总得有一个标准衡定它为高还是低吧!请往下看。

​ 三、RFM模型怎么用

对于上面的问题,通常是这样实施的。

想要计算每个用户的RFM,通常我们需要的信息有:用户ID,消费时间,消费金额

思路是这样:

1.确定时间范围

例如,在上面翔宇的店铺中,就采用了统计本月31天的这个时间间隔确定了时间范围

2.要定义指标的衡量标准

例如对于最近消费时间间隔R来说,我们怎样定义标准呢?是小于3天算高呢?还是小于5天算高呢?

还是超过20天算低呢?对于这个问题,对于不同的业务场景来说都是不同的,所以,这个时候,我们就得找上我们的业务、运营来讨论定义标准了。

定义好标准后,我们通常得到类似这样一个打分表

image-20211113132423808

同理,对于F、M两个指标,也是使用同样的方式进行定义,接下来就是根据表格对指标进行打分了。

3.对客户指标进行打分

例如

image-20211113133648998

4.计算平均值

一般我们用每个指标打分的平均值作为划分标准,即是客户的对应得分大于等于平均值分类为高,否则为低。例如

image-20211113134341467

5.用户分类

根据,4中的划分,现在,我们就可以在八个象限中找到该客户的位置了,我们将客户分为以下八类。

image-20211113134626721

​ 四、不同客户不同解决方案

得到客户分类后,我们是不是就该对不同的客户提供不同的服务呢?

这就是人们常说的精细化运营,在流量红利逐渐消失后,人们不得不进行精细化运营,必须对不同的客户提供不同等级的服务。在文章开头讲到的没有数据分析师的公司问题就是还没有意识到精细化运营这一点,才出现了连”大客户“的名单都不知道的情况。

言归正传,那么,通常我们肯定是要将重点放在前四类客户上。对于

1.重要价值客户,RFM都很高,我们要提供VIP服务

2.重要发展客户,消费频率低,这类客户是最容易转化成第一类客户的群体,一定要想办法提高他们的消费频率。

3.重要保持客户,最近一笔消费时间已经有些远了,所以必须要主动保持联系,提高复购。

4.重要挽留客户,这类客户消费频率低和最近消费时间间隔比较远,但是消费金额高,这种用户即将流失,要主动联系用户,调查问题出在哪里,想办法挽回。

五、总结

1.RFM模型是通过三个以下指标来分析的方法

~R 最近1次消费时间间隔(Recency)

~F 消费频率(Frequency)

~M 消费金额(Monetary):一段时间内消费的总金额

2.通过三个指标将客户划分为8个类别

3.对于每个类别的客户要提供不同的服务

4.RFM模型能够应用的场景很广,例如电商、航空、酒店、超市等。

好了,这期的内容就分享到这里,如果对你有帮助,请记得关注或赞赏,也可以分享给小伙伴哦!

我是翔宇,公众号是“Python和数据分析”,我们下期再见!

个类别的客户要提供不同的服务

4.RFM模型能够应用的场景很广,例如电商、航空、酒店、超市等。

好了,这期的内容就分享到这里,如果对你有帮助,请记得关注或赞赏,也可以分享给小伙伴哦!

我是翔宇,公众号是“Python和数据分析”,我们下期再见!

以上部分图片来源于网络,如侵权请联删

本图文内容来源于网友网络收集整理提供,作为学习参考使用,版权属于原作者。
THE END
分享
二维码
< <上一篇
下一篇>>