用户分析——RFM模型

 

【指标解释】

• R(Recency)——客户最近一次交易时间差。R值越大，表示客户交易发生的日期越久。（一般是最近一次交易日期与制作报告日期的时间差。但是也可以选择某一固定的日期如所有订单日期中最大日期（也有可能是当前作报告的日期），因为计算的结果是时间间隔，最后也是对间隔的评价，所以只要固定某一个日期做减法就可以）————用户粘性，越小越好
  
• F (Frequency)——客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁。————用户忠诚度，越大越好
• M(Monetary)——客户在最近一段时间内交易的金额。M值越大，表示客户价值越高。————用户贡献度，越大越好

 

 【方法一】：直接利用数据与平均值的平均值比较，得到高低等级，推出客户类型

• 聚合每个用户的相关数据。订单日期、订单金额、用户ID
• 计算每类数据整体平均值
• 每个客户的数据对比整体平均值，大于平均值——高；小于平均值——低
• 根据高低值，判别客户类型。
• Excel中直接使用if语句写条件判断即可
• Python中根据上述操作步骤，类似。
• 但是此方法不够准确，均值不太能够反应业务的实际水平。

 【方法二】：打分——根据数据水平，给数据赋予不同1-5的不同分值。根据档位得分与得分的中指比较得出高低水平，进一步推出客户类型

• 聚合每个用户的相关数据
• 根据业务实际情况，给出数据的5个水平。比如销售额 >50万——5分；10万-50万——4分；1万-10万——3分；5000-1万——2分；5000以下——1分（仅仅举例子）
• 根据数据所属范围，给每个数据打分。1-5分
• 计算得分的中值。中值多为均值/中位数；或者基于业务情况给出的数值；二八法则推算，因为80％用户都集中在低频低金额区间，20％的用户却又创造了大部分营收。
• 得分和中值比较，得出高低水平。得分>中值——高；得分<中值——低
• 根据高低值，判别客户类型。
• Excel中直接使用if语句写条件判断即可
• Python中根据上述操作步骤，类似
• 此方法更严谨。

【Python代码】见另外一篇

Python操作RFM模型 代码整理 - 午时 - 博客园 (cnblogs.com)