探索RFM模型：在B2B行业中做商品分析

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。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。--百度百科；

R：Recency—— 客户最近一次交易时间的间隔。R值越大，表示客户交易距今越久，反之则越近；

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，反之则不够活跃；

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，反之则越低。

在传统的定义中RFM模型针对是把客户作为分析对象，同样可以灵活应用，可以延伸参考使用，例如：

航空行业：R-最近乘机时间，F-乘机次数，M-飞行总里程；

社交、游戏行业：R-最近一次登录，F-登录频率，M-在线时间；

或者：R-最近一次登录，F-点赞数 ，M-评论数；

通信行业：R-最近缴费时间，F-缴费次数，M-缴费总额，等；

本文是探索B2B平台中，把商品（SKU）作为分析对象，参考RFM模型进行商品分析：

注：因为考虑到此模型需要较高频率交易产品适用性强，所以较适用于：日化、快消、食品、饮料等，如果是传统期货制，半年或者一个季度才固定采买一次，可能此种方法意义不大，或者有其他方法可以应用；

主要使用工具：R语言进行数据清洗、整理、模型实现、可视化展示；

数据源简介：主要字段包含：下单日期、商品编码（SKU）、下单客户、下单金额等；

主要是用R语言做数据处理、模型探索等，不是工程代码，所以主要贴部分模型探索过程代码示例；

一、关于R(Recency)的计算方法：

因为存在多个客户不同时间下单SKU情况，如果仅以某SKU最近一次下单时间间隔统计，会存在统计规则影响分析判断，比如，仅一个客户昨天下单某SKU，其他客户最后下单均在1个月以前，那么R的值就显得非常低，就会影响统计误差情况；当客户较多的情况下，粗略计算总会存在每天最少有1个客户下单的可能性，这样R的值就比较固定，对模型的分析判断起不到作用；

考虑到以上因素，模型中对R的计算方法为：取统计周期内单SKU下每个客户的R值的“平均值”方法，结合实际计算后数据分布情况情况如下图：

倾斜度计算公式如下：3*(mean -median) / sd,Recency整体数据倾斜度为：0.77；数据呈现右偏（上图中蓝色线为中位数、红色线为平均值），这里Recency用中位数标准取数，提高数据的“平均值的合理性”，部分代码如下：

二、关于F(Frequency)的计算方法：

关于F的计算主要是对下单客户进行去重计数，如果客户较多，可以对下单客户进行数据离散化处理，便于分析，至于离散的标准和规则，可以根据具体的数据量决定；部分代码示例如下：

三、关于M(Monetary)的计算方法：

关于M的计算主要分为单SKU下单总金额和平均每个客户的下单金额2种方式，因为B端产品下单金额相对差别较大，也可以对数据进行离散处理，可以通过自定义方式对下单金额离散（参考F的离散方法）或者直接通过分位数进行分段，本文使用分位数方法分段，示例代码如下：

四、在完成RFM数据计算后，开始对数据分析应用和数据呈现：

1、RFM块状计数图：

2、RFM热力图：

3、RFM直方图：

4、RFM散点图：

5、RFM交叉明细表：

总结：

RFM分析模型的结果输出，用于分析每个SKU最近购买周期、下单频率、下单金额分布情况等，针对不同的SKU制定不同的相关营销策略；

同时对SKU按照价值排序，可以参考量化SKU价值，做到定期对SKU进行分析，通过SKU价值模型的变动，执行相应的营销策略，提高SKU的整体下单情况；

结合不同的SKU性质，对平台做推荐，比如SKU下单客户较少，但下单频次和金额得分较高，可以推荐给未下单客户等方法综合应用；

全文主要做简单思路呈现、和RFM的探索应用；