ML之FE:RFM指标(衡量客户价值和客户创利能力的指标,距离最近一次购买时间/购买次数/购买金额)/RFM模型的简介、使用方法、应用实现之详细攻略
目录
1、RFM指标的意义—新增【客户价值】字段—衡量当前客户价值及其潜在价值的重要工具和手段
2.1、基于RFM模型指标分段通过打标签直接进行客户分群→得到【客户价值·客户群类】字段
2.2、基于RFM模型指标分段打分并结合聚类算法进行客户得分→得到【客户价值·客户得分→再分群】字段
T2、三个维度得分并借助业务经验/模型赋权重→加权得最终分值
RFM指标的简介
在众多的客户关系管理(CRM)的分析模型中,RFM模型是被广泛提到的。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的 近期交易行为、 交易的总体频率以及 交易金额三项指标来描述该客户的价值状况,依据这三项指标划分8类客户价值:重要价值客户、重要唤回客户、重要深耕客户、重要挽留客户、潜力客户、新客户、一般维持客户、流失客户。一般可以分为八个类别,但也可以依据实际业务情况而定。
RFM模型三个指标
内容
影响因素
应用场景
R
Recency
距离最近一次购买时间
R 越小越好:最近购买的时间越近,客户对产品促销互动越大;客户价值越高。
表示客户最近一次消费距离现在的时间。
(1)、上一次消费时间越近的顾客应该是比较好的顾客,对提供即时的商品或是服务也最有可能会有反应。
(2)、如果要密切地注意消费者的购买行为,那么最近的一次消费就是营销人员第一个要利用的工具。
(3)、历史显示,如果我们能让消费者购买,他们就会持续购买。这也就是为什么,0至3个月的顾客收到营销人员的沟通信息多于3至6个月的顾客。
店铺记忆强度
接触机会多少
回购周期
决定接触策略
决定接触频次
决定刺激力度
F
Frequency
购买次数
F越大越好:客户购买的频率越高,客户就品牌的满意度就越大;
指客户在统计周期内购买商品的次数。
经常肯定比偶尔来一次的客户价值大。
注意:实操中实际店铺会受品类宽度的影响,比如空调四五年才买一次,馒头每天都要买一次。对于耐用品等,即使是忠实粉丝用户也很难在1年内购买多次。所以,有些店铺在运营RFM模型时,会把F值的时间范围去掉,替换成累计购买次数。
品牌忠诚度
店铺熟悉度
客户会员等级
购买习惯养成
决定资源投入
决定营销优先级
决定活动方案
M
Monetary
购买 金额
M越大越好(区别高低消费客户):货币价值(购买金额)将高消费客户和低消费客户区分开来;
消费金额是指客户在统计周期内消费的总金额。
消费越多的客户价值越大。
二八定律—公司80%的收入来自于20%的用户
消费能力
产品认可度
决定推荐商品
决定折扣门槛
决定活动方案
1、RFM指标的意义 —新增【客户价值】字段—衡量当前客户价值及其潜在价值 的重要工具和手段
根据RFM模型,就可以根据在某一段时间内业务订单数据,统计客户最近的消费间隔、消费次数和消费金额。可以进一步地,利用机器学习中的K-Means算法对客户进行聚类分群。当然,不仅仅可以局限于这三个数据字段,还可以根据业务需求,加入其他字段,进行调整模型。
对于电商网站,如果要做一次营销推荐活动,需要针对不同价值的客户群体,进行分群推荐。对于高价值的客户推荐手表、珠宝等高端商品,而对于低价值客户推荐打折促销的廉价商品。当然,还有以下这些问题都是需要考虑的:
- 1)、谁是最佳客户?
- 2)、谁即将要成为流失客户?
-
3)、谁将有潜力成为有价值的客户?
-
4)、哪些客户能够留存?
- 5)、哪些客户会对目前的活动有所反应?
总而言之,最终的问题会转化为如何对客户进行分群,即如何建立客户的价值模型。目前来说,RFM模型作为 客户细分模型是被广泛用在传统零售企业和现代电商中。
2、RFM指标的实际应用→得到【客户价值】字段
2.1、基于RFM模型指标分段通过打标签直接进行客户分群 →得到【客户价值·客户群类】字段
T1、 基于业务经验(打标签)驱动细分
基于RFM模型,利用三个不同维度的指标分别进行客户细分,细分可以由数据驱动划分,基于大量的数据进行合理规划。但是也并非越细越好,因为一旦用户细分群组过多,第一个是会给自己的营销方案执行带来较大的难度,第二个是可能会遗漏用户群或者对同个用户造成多次打扰。
指标
客户分组
指标分段
营销策略
R值
活跃客户
90天未购买
密集的营销信息推送
沉默客户
90~180天未购买
减少推送频率,提升优惠力度
睡眠客户
180~360天未购买
大型活动时营销推送
流失客户
360天未购买
超大型活动(比如双11、618等)
F值
新客户
购买1次
传递促销信息
老客户
购买2次
传递品牌信息
成熟客户
购买3次
传递新品/活动信息
忠实客户
购买3次以上
传递会员活动和权益信息
M值
低贡献客户
1/2客单价以下
促销商品/折扣活动
中贡献客户
1/2客单价~客单价
促销商品/折扣活动
中高贡献客户
客单价~2倍客单价
形象商品/品牌活动
高贡献客户
2倍客单价以上
形象商品/品牌活动
T2、 基于模型驱动细分
利用如聚类法等无监督学习方法对用户分组,划分客户群体。
2.2、基于RFM模型指标分段打分并结合聚类算法进行客户得分 →得到【客户价值·客户得分→再分群 】字段
第一步,给客户打分—两种打分方式:直接 组合得分、加权得分
T1、三个维度组合 直接累加法得分
一般情况下,可以直接累加每个用户三个维度的指标得分(R_Score、F_Score、M_Score),得到客户质量分,最终筛选出合适的目标用户。
首先,可以根据实际情况,自定义RFM的分段及其对应分段的分值,比如一般每个指标分为3~5个区间,其中R值可以根据开店以来的时间和产品的回购周期来判定,F值根据现有店铺的平均购买频次,M值可参考客单价的分段指标。
然后,以用户为维度,来计算每个客户的RFM各个指标得分(R_Score、F_Score、M_Score),相加之后,根据总得分筛选出优质的客户。
得分
R值分段
F值分段
M值分段
1
720天以上未购买
购买1次
100元以下
2
360~720天内购买过
购买2次
100~200元
3
180~360天内购买过
购买3次
200~500元
4
90~180天内购买过
购买4次
500~1000元
5
90天内购买过
购买5次
1000元以上
比如,甲客户是女性,淘宝上经常购物的用户,而乙客户是个宅男码农。虽然,可以看出是两种不同类型的客户,但是,甲客户买的频繁但总价值和不经常买东西的乙客户一样,其最后得分也都是10分。
R_Score
F_Score
M_Score
总得分
甲客户
5
3
2
10
乙客户
4
1
5
10
T2、三个维度得分 并借助 业务经验 / 模型 赋权重→加权得最终分值
基于业务经验赋权重案例:计算各个用户价值(给每位用户打总分)。基于实际业务经验,给RFM赋予权重(目前权重采用R:F:M =0.25:0.25:0.5 ),计算各用户价值。
R_Score(25%)
F_Score(25%)
M_Score(50%)
总得分
甲客户
5
3
2
3
乙客户
4
1
5
3.75
除了基于业务经验赋权,还可以引入 机器学习中的回归模型等 自动赋权重,对客户等级下的RFM进行权重判断,获得权重信息,进行加权得分,得到最终分值。
第二步,给客户分群
利用聚类方法对用户进行分组:利用K-Means、层次聚类等无监督学习方法,对用户进行聚类分析,划分客户群体。一般可以分为八个类别,但也可以依据实际业务情况而定。
3、RFM指标的应用场景
(1)、营销推荐领域客户分群—精准定向营销
(2)、保险领域筛选优质客户
RFM指标的具体实现
RFM是一种比较常见的客户分类方法,适用于很多场景,实现也很简单。
T1、代码编程—如可以用python代码等编程语言
T2、工具—在excel表内通过函数实现
参考文章
客户价值模型:RFM_宝哥大数据的博客-CSDN博客_rfm模型的三个指标
Original: https://blog.csdn.net/qq_41185868/article/details/125138196
Author: 一个处女座的程序猿
Title: ML之FE:RFM指标(衡量客户价值和客户创利能力的指标)/RFM模型的简介、意义、应用之详细攻略
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/696520/
转载文章受原作者版权保护。转载请注明原作者出处!