RFM客戶價值分類模型應用
一、RFM模型概述
RFM模型廣泛應用於使用者運營之中，是衡量當前使用者價值和和客戶潛在價值的重要工具和手段。RFM模型主要有如下三個指標：
R：Recency —— 客戶最近一次交易時間的間隔。R值越大，表示客戶交易距今越久，反之則越近；
F：Frequency—— 客戶在最近一段時間內交易的次數。F值越大，表示客戶交易越頻繁，反之則不夠活躍；
M：Monetary —— 客戶在最近一段時間內交易的金額。M值越大，表示客戶價值越高，反之則越低。
二、RFM實踐應用
1、前提假設驗證
RFM模型的應用是有前提假設的，即R、F、M值越大價值越大，客戶未來的為企業帶來的價值越大。這個前提假
設其實已經經過大量的研究和實證，假設是成立的。不過為了更加嚴謹，確保RFM模型對於特殊案例是有效的，
本文還進行了前提假設驗證：
ps：Frequency、Monetary均為近6個月內的資料，即1-6月資料；
利用相關性檢驗，驗證假設：
-
最近購買產品的使用者更容易產生下一次消費行為
-
消費頻次高的使用者，使用者滿意度高，忠誠度高，更容易產生下一次消費行為
-
消費金額高的使用者更容易帶來高消費行為
2、RFM分級
簡單的做法，RFM三個指標以均值來劃分，高於均值的為高價值、低於均值的為低價值，如此可以將客戶劃分為8大類：
本文采取的方法是將三個指標進行標準化，然後按照分為數劃分為5個等級，數值越大代表價值越高；當然最終劃分的規則還是要結合業務來定。劃分為5個等級後，客戶可以細分為125種。
#讀取資料 rfm<-read.csv('~/desktop/rfm1_7.csv',header=TRUE) summary(rfm) #資料分佈 par(mfrow=c(1,3)) boxplot(rfm$rankR1) boxplot(rfm$rankF1) boxplot(rfm$rankM1) #rfm分級 breaks1<-quantile(rfm$Recency, probs = seq(0, 1, 0.2),names = FALSE) breaks1<-c(1,14,30,57，111,181) #以流失使用者的定義來設定分級 30天以上為流失使用者 breaks2<-quantile(rfm$Frequency, probs = seq(0, 1, 0.2),names = FALSE) breaks2<-c(1,2,3,6,14,164) breaks3<-quantile(rfm$Monetary, probs = seq(0, 1, 0.2),names = FALSE) rfm$rankR1<- cut(rfm$Recency,breaks1, 5,labels=F) rfm$rankR1<- 6-rfm$rankR1 rfm$rankF1<- cut(rfm$Frequency,breaks2, 5,labels=F) rfm$rankM1<- cut(rfm$Monetary,breaks3, 5,labels=F)
3、客戶分類
本文采用K-means聚類進行分類，聚類結果結合業務劃分為4大類：
Cluster1:價值使用者R、F、M三項指標均較高；
Cluster2，3：使用者貢獻值最低，且使用者近度（小於2）和頻度較低，為無價值客戶；
Cluster4:發展使用者，使用者頻度和值度較低，但使用者近度較高，可做up營銷；
Cluster5:挽留客戶，使用者近度較低，但頻度和值度較高，需採用挽留手段
k值選擇:
聚類結果：
#聚類
df<-rfm[,c(6,7,8)]
p1<-fviz_nbclust(df, kmeans, method = "wss")
p2<-p1 + geom_vline(xintercept = 5, linetype = 2)
km_result <- kmeans(df, 5)
dd <- cbind(rfm,df, cluster = km_result$cluster)
##檢視每一類的數目
table(dd$cluster)
picture<-fviz_cluster(km_result, df, geom = "point")
####聚類結果解釋####
rfm_final <- within(dd,{Custom = NA
Custom[cluster == 1] = '高價值客戶'
Custom[cluster == 2 ] = '無價值客戶'
Custom[ cluster == 3] = '無價值客戶'
Custom[cluster == 4] = '重點發展客戶'
Custom[cluster == 5] = '重點挽留客戶'
})4、RFM打分
步驟3，我們將客戶劃分為四大類，其實如果一類客戶中還有大量的客戶，此時為了精細化營銷，可以根據RFM進行加權打分，給出一個綜合價值的分。這裡，運用AHP層次分析法確定RFM各指標權重：
客戶價值RFM_SCORE= 0.25rankR + 0.20rankF+0.55*rankM
AHP層次分析法（專家打分法）
三、總結
上述客戶分類其實比較粗曠，真正在面對千萬級客戶量時，如此劃分為四大類是難以滿足運營需求的。運營中，還需要綜合CRM中其他指標、維度。
ps：後續作者利用RFM客戶價值得分進行潛在客戶挖掘，嘗試利用決策樹等模型挖掘平臺潛在客戶特徵。