基于 LRFMC 模型的会员用户画像

作者 l 一直在努力进步的段家红

前言

RFM 模型的概念介绍，用途，详细的使用方法本博文都不 一一 介绍了，毕竟如此常见的模型，前人论文文献、各平台都已经十分详细的叙述了整个流程。所以我们便将侧重点放在根据场景进行了优化调整的 LRFMC 模型上，这里穿插回顾少部分精华理论即可。

一句话：更好的做生意与促进营销。

RFM 会将客户类型分为如下几类，每类都有对应的营销策略

另外一些应用场景中，客户和企业产生连接的指标会因为产品特性而改变

LFRMC

这种与参考值对比后进行手工分类真的科学嘛？客户的分类真的是越多越好嘛？这会不会使得精准营销的成本变高？类别之间的区别到底显著不显著？

这是在观察 RFM 建模过程和八大分类结果后我产生的疑问。

拿航空公司来举例，直接使用 M(消费金额 Monetary) 指标也许并不能反映客户的真实价值，因为 “长途低等舱”可能没有“短途高等舱” 价值高，所以我们得根据实际行业灵活调整 RFM 模型。这就引出了国内外航空公司最常用 LRFMC模型

• L-Length：客户关系长度，即加入会员的日期至观测窗口结束日期的间隔(反映出活跃的可能时长)
• C：平均折扣率。客户在观测期内的平均折扣率（等级对应折扣系数，侧面反映客户价值高低）

这会将客户聚类为重要保持客户，重要发展客户，重要挽留客户，一般客户，低价值客户，从而针对每种类别的客户制定对应的价格和服务。

本文将先带着大家实现对大型超市会员用户的 LRFMC 画像，后续推文再尝试通过 K-means 聚类算法将会员进行分类，从而实现会员价值分析，进行精准的价格和服务设置。

大家都有在饭店被服务员推荐注册为该家饭店的免费会员并领取优惠的经历。

在注册会员时我们一般需要填入最基本的个人信息，比如年龄、生日、性别等等，那么在商家的数据库后台它就会自动在会员信息表上写入你新填的信息，类似下表。

你下次来消费的时候，根据你的会员卡号，商家每个月的销售流水表就会生成你这次的消费信息，比如下表。

那么有这两份表我们就能够开始对于每个会员的基础画像啦。

数据清洗

由于我们得到的初始数据很可能是脏乱差的，那么作为惯例，我们当然需要对原始数据进行数据清洗，并且将清洗后的数据进行合并生成涵盖每个会员信息的销售流水表。

然后对于暂时还没有分析价值的字段（收银机号、单据号、柜组编码、柜组名称等等）进行剔除，最后生成的结果如下表，不是会员生成的消费记录后面4列代表个人信息的字段都会是空值。

指标分析

第二步，根据清洗后的会员信息消费流水表计算核心指标

• L：会员从加入到现在的时间间隔天数(现在的时间减去会员登记时间)
• R：最近一次消费到现在的间隔天数（现在的时间减去消费产生时间的最新值）
• F：消费的频次（按会员卡号分组，计算消费产生的时间去重后的数量）
• M：到目前为止的消费金额总数（按会员卡号分组，对消费金额进行加总）
• P：代表目前会员消费的积分总数（按会员卡号分组，对消费积分进行加总）

另外还可以计算一下其它不具有数值分析功能，但是能够反映消费者行为的指标，例如代表会员爱好的消费时间段 S，代表会员性别的指标 X，代表会员最常购买的商品的指标 G，以及每个会员所处的年龄段 A。

最后将所有的单表进行融合，就得到会员最基础的信息画像数据表。

第三步，运用所得到的会员信息画像数据表实现输入会员卡号就能生成对应该会员的画像词云，核心代码如下。

运行展示：

词云解读：

对于第二步生成的字段我们都没有浪费，较为全面的展示了一位会员用户的基础消费信息。至于该对TA运用什么营销策略，就看实际业务需求啦~

至此，我们就完成了对于所有会员用户的基础会员画像。

文章到此就结束啦，感谢公众号作者萝卜在本次项目的悉心指导，方便的话请为这位优秀的作者点个关注，谢谢大家^-^。