构建RFM体系：优化客户分析和营销策略

摘要

RFM 分析是一种用于洞悉客户价值和行为的强大工具，广泛应用于市场营销和客户关系管理。本文将介绍 RFM 分析如何在数据产品不充分的情况下实现以及如何利用RFM分析来优化营销策略，提高客户满意度，增加业务收益。

导言

• RFM 分析最早起源于直邮行业，
• 用于确定哪些客户最有可能回应和购买邮寄目录中的产品。随着信息技术的发展， RFM 分析逐渐在各个行业得到广泛应用，成为理解客户行为和价值的关键工具。例如电子商务、金融、酒店业等。
• 主要的商业目标：

• 客户洞察： RFM 分析允许企业深入了解客户的消费行为。通过分析最近一次交易时间，交易频率和交易金额，企业可以确定哪些客户更活跃，哪些客户更有价值。
• 个性化营销： 基于 RFM 分析的结果，企业可以制定个性化的营销策略。不同 RFM 分组的客户可以接收到适合其需求和偏好的定制化推广信息，从而提高市场活动的效果。
• 客户忠诚度： 通过识别和奖励高价值客户，企业可以增加客户的忠诚度。RFM 分析有助于保持现有客户，并吸引他们继续购买。
• 销售增长： 通过深入了解客户行为，企业可以发现销售增长的潜在机会。优化市场策略和产品定价可以提高业务的销售额。

第一部分：RFM 分析基础

1.1 什么是 RFM 分析？

RFM 的概念（ Recency ， Frequency ， Monetization ）是一种客户分类和预测的分析模型，用于识别最有价值的客户和预测他们未来的购买行为。它的三个维度分别是最近一次购买的时间、购买频率和客户生命周期价值。RFM模型可以帮助企业了解客户的消费习惯和需求，以便更好地为客户提供个性化的产品和服务，从而提高客户忠诚度和增加销售收入。

1.2 用户分层模型的对比

回归到一个问题，数据分析可以使用的用户分层模型茫茫多，为什么就一定要是RFM模型？选择模型一定是基于当前的业务场景和业务需求，从可行性及优劣势考虑是最匹配当前需求的。同时，越简单的模型带来快速的理解以及实现；

1.3 业务识别

笔者的业务是供应链平台 TO B 服务，当前主要聚焦的服务模式在用户进入平台完成注册、访问及交易转化。以下为业务识别的内容：

第二部分：构建 RFM 体系

2.1 数据收集和准备

2.1.1主要方式：

平台获取：通过互联网这个工具，我们可以通过像数据仓库这样的工具，帮助我们更深入地获取和分析数据。

2.1.2其它方式：

观察调研：这种方法通常用于用户研究，通过用户访谈和问卷调查等方式收集特定人群对产品或服务的反馈数据，了解他们的需求和行为特征。

问卷调查：这是一种传统的获取数据的方式，包括纸质问卷和互联网问卷两种形式，主要用于收集用户对产品或服务的反馈数据，从而了解市场和用户需求。

公开信息：包括国家统计数据、地方政府公开数据、上市公司年报、季报等，这些都可以从互联网上获取。

付费数据：在市场上，有一些产品化数据交易平台提供多领域的付费数据资源，可以按需购买使用。

2.2 数据预处理

数据清洗主要关注数据的质量和精度。它的目标是识别和修正数据中的错误和不一致性，以提高数据的质量和准确性，为后续的数据分析和建模提供可靠的基础。数据预处理包括数据集成、数据转换和数据规约等过程，旨在消除数据中的噪声、冗余和不一致性，使数据更加适合进行分析和建模。

2.3 构建 RFM 模型

2.3.1 最近一次交易时间（ Recency ）

当计算最近一次交易时间时，我们需要确定适当的时间窗口，对于该场景，最近一次的供应链交易日期和最近一次的网超交易日期相对重要。

  '''
  select 
  company_id as "机构id",
  company_name as "机构名称",
  max_pur_date as "最近一次交易距今日期时间"
  from main_table
  
  # 定义最近交易天数间隔区间和对应的分值
  transaction_interval_mapping = {
  (0, 7): 5,
  (8, 14): 4,
  (15, 30): 3,
  (31, 90): 2,
  (91, float('inf')): 1
    }
  '''

2.3.2 交易频率（ Frequency ）

交易频率的最直观指标就是交易订单的数量，我们通过聚合客户近一个月的交易订单数以及历史累计的交易订单数去进行分析；同时根据不同的场景，我们需要充分考虑和权衡各种因素，去选择交易的不同类型，进行分析。

  '''
  select 
  company_id as "机构id",
  company_name as "机构名称",
  coalesce(pur_cnt_30,0) as "近30天交易订单数"
  from main_table
  
  # 定义访问天数区间和对应的分值
  visit_interval_mapping = {
  (0, 1): 1,
  (1, 3): 2,
  (4, 7): 3,
  (8, 14): 4,
  (15, 30): 5
    }
  '''
  

2.3.3 交易金额（ Monetary ）

首先我们需要将每个客户的交易金额进行汇总。形成一个累计的交易金额或者是一个特定时间窗口内的交易金额，比如一个月。然后将汇总的交易金额按照一定的规则进行分组。最后针对每个等级，计算其交易金额的占比。

  '''
  select 
  company_id as "机构id",
  company_name as "机构名称",
  coalesce(pur_amt_30,0) as "近30天交易金额"
  from main_table
  '''

第三部分：RFM 用户分群应用

3.1 用户分群选择

  '''
  # 定义函数将分值映射为标签
  def label_mapping(value, median):
  if value <= median:
  return '低'
  else:
  return '高'

# 根据中值将R、F、M分值映射为标签
  df_rfm_clean['R_Label'] = 
  df_rfm_clean['R_Merged_Score_Normalized'].apply(lambda x: label_mapping(x, 
  R_median))
  df_rfm_clean['F_Label'] = 
  df_rfm_clean['F_Merged_Score_Normalized'].apply(lambda x: label_mapping(x, 
  F_median))
  df_rfm_clean['M_Label'] = df_rfm_clean['M_Score_Normalized'].apply(lambda 
  x: label_mapping(x, M_median))
  
  # 定义客户标签映射字典
  customer_label_mapping = {
        ('低', '低', '低'): '一般挽留用户',
        ('高', '低', '低'): '一般发展用户',
        ('低', '高', '低'): '一般保持用户',
        ('高', '高', '低'): '一般价值用户',
        ('低', '低', '高'): '重要挽留用户',
        ('高', '低', '高'): '重要发展用户',
        ('低', '高', '高'): '重要保持用户',
        ('高', '高', '高'): '重要价值用户'
    }

  # 根据R、F、M的标签组合生成最终的客户标签列
  df_rfm_clean['Label of Customer'] = df_rfm_clean.apply(
        lambda row: customer_label_mapping.get((row['R_Label'], 
  row['F_Label'], row['M_Label'])),
        axis = 1）
  '''

3.2 客户细分的示例

1. 以实例来看，其中一般挽留客户的特点是最近购买时间较远，购买频率较低，购买金额较小。这类客户对企业的重要性较低，但可能具有潜在价值。
2. 一般发展用户的特点是最近购买时间较近，但购买频率较低，购买金额也不高。这类客户可能对企业有潜在价值，需要企业加强营销和服务。
3. 重要价值客户的特点就是最近购买时间较近，购买频率较高，购买金额较大。这类客户是企业的核心客户，对企业的贡献最大，需要重点关注和服务。

第四部分： RFM 分群结果的应用

4.1 个性化营销的制定

4.2 不同周期用户的客户关怀策略拟定

1. 提高客户满意度和忠诚度：客户关怀可以通过提供个性化的服务和优惠，满足客户的需求和期望，从而提高客户对企业的满意度和忠诚度。高满意度的客户更有可能成为企业的长期忠实客户，从而为企业带来更多的利润。
2. 激活潜在价值：对于低 RFM 客户和低 Recency 客户，企业需要通过客户关怀来激活他们的需求，提高他们的购买频率和购买金额。例如通过了解这些客户的需求和喜好，企业可以提供更好的服务和优惠，吸引他们进行更多的购买，从而挖掘出他们的潜在价值。
3. 维护管理客户关系：对于低 Recency 客户，企业需要通过客户关怀来维护和管理客户关系。虽然这些客户的购买频率和购买金额较低，但企业仍然需要与他们保持联系，了解他们的需求和喜好，并提供适当的服务和优惠，以保持他们的忠诚度。

4.3 优化产品及业务上的推广策略

• 针对不同客户群体提供定制化产品根据 RFM 分群结果，可以将客户划分为不同群体，例如高价值客户、中价值客户和低价值客户等。针对不同群体的客户需求和偏好，可以提供定制化的产品或服务，以满足他们的需求。例如，对于高价值客户可以提供更高端的产品或服务，对于低价值客户则可以提供更实惠的产品或服务。
• 制定合理的价格策略针对不同客户群体制定合理的价格策略可以提高产品和业务的推广效果。例如，对于高价值客户可以提供折扣或优惠，以吸引他们购买更高档的产品或服务；对于低价值客户则可以采取低价策略，以吸引他们购买更实惠的产品或服务。
• 制定精准的推广策略根据 RFM 分群结果，可以了解不同客户群体的购买行为和喜好，以此制定更精准的推广策略。例如，针对高价值客户可以提供更有吸引力的优惠券或礼品，以鼓励他们购买更多产品或服务；针对低价值客户则可以通过社交媒体或广告渠道进行宣传和推销。
• 优化产品和服务根据 RFM 分群结果，可以对现有产品和服务进行分析和优化。例如，针对高价值客户可以提供更完善的服务和保障，以提高客户满意度和忠诚度；针对低价值客户则可以通过简化流程和提高效率等方式，改善客户体验。

结论

在以上内容中，我们探讨了使用 RFM 模型进行用户分群的方法和步骤，包括业务定义与用户识别、构建 RFM 体系、 RFM 分群实践以及 RFM 分群的应用。通过对客户进行更精细的分类，并在此基础上制定个性化营销策略、客户生命周期管理策略以及产品和业务推广策略等。这些策略的优化可以提高客户的价值与忠诚度，进而提高企业的业务效益。

参考文献

1. 租赁大数据看板建设过程中数据清洗及程度思考| 人人都是产品经理
2. 大数据环境下互联网行业数据仓库/数据平台的架构之漫谈– lxw的大数据田地
3. 数据分析模型- RFM模型- 《有数BI用户手册》