【数据分析思维】RFM用户分层|运营学社

写在前面

跟着互联网流量盈利的逐步消失，之前粗狂式的拓客和一刀切的用户运营现已难以为继，越来越多的公司开端意识到，只靠烧钱圈用户、养用户本钱太高，由于不是一切的用户都需求你要点投入，金主爸爸一定要好好保护，潜力股一定要加大投入发掘价值，而羊毛党永远都是你应该谨防的目标，这便是所谓的精密化运营，钱要花在刀刃上，要花在事务和中心用户上。

精密化运营考究的是千人千面，一千类用户一千种运营战略，所以榜首步便是要把用户进行分类，然后才有针对性的运营战略，而用户分类中一种尤为重要和常用的办法便是RFM。

02

什么是RFM？

什么是RFM？RFM最早产生于电商范畴，依据客户的买卖频次和买卖额衡量客户的价值，对客户进行细分。RFM是衡量客户价值的三个维度，别离为R（Recency）买卖间隔、F（Frequency）买卖频度、M（Monetary）买卖金额组成。

R表明间隔（Recency）：也便是客户最近一次买卖距今的间隔，需求留意的是，R是最近一次买卖时刻到现在的间隔，而不是最近一次的买卖时刻，R越大，表明客户越久

未产生买卖，反之R越小，表明客户越近有买卖产生。F表明频次（Frequency）：也便是客户在最近一段时刻内买卖的次数，一般来说选取一个特定的时刻段，F越大，表明客户买卖越频频，反之F越小，表明客户不行

活泼。M表明额度（Monetary）：也在相同的时刻段内，客户买卖的金额，M越大，表明客户价值越高，M越小，表明客户价值越低。

有了以上3个维度的数据，就能够对每个用户依照每个维度进行衡量，一般来说咱们会选取一个合理的分值对R、F、M进行区分，将3个维度别离分为高、低两类，组合下来便是8类，也就形成了8个用户集体。当然你说我每个维度分红3类行不行，终究分红27个用户集体不是更精密，当然没问题，可是咱们能不能给出27种不同的运营计划，假如给不出，如此细分不便是自嗨么？究竟，分为多少个集体不重要，每个集体都要有个性化的运营战略才重要。

下面是一张经典RFM客户细分模型图，R分值、F分值和M分值三个目标构成了一个三维立方图，在各自维度上，依据得分值又能够分为高、低两个分类，别离用2、1表明，终究3个目标两两组合，就构成了8大客户集体。

对每个用户集体进行定性，例如R、F、M分值高的客户为重要价值客户，R、F、M三个分值都低的客户为潜在客户，其他类型客户能够此类推解读。

03
RFM实践事例
RFM的原理到这儿就讲完了，是不是很简单？的确很简单，可是也的确很有用，在实践的工作中是怎么施行这个用户分层模型的呢？下面咱们就用一个实践的事例手把手教你怎么进行RFM用户分层。
全体来说，RFM模型施行需求以下几个要害的过程。
01、数据预备
下面经过一个实践的事例学习RFM剖析的运用，事例是用python做的，当然了Excel也能做，不用纠结于东西哈，首先将数据导入到data变量，代码如下：
importpandasdata=pandas.read_csv('D:/RFM剖析.csv',engine='python'
能够大致看一眼data数据的款式，如下图所示。

能够看到，这儿记载的是客户的每一个订单的信息，榜首列为订单ID，第二列为客户ID，第三列为买卖日期，第四列为买卖金额。
对数据进行一下加工，依据买卖日期，核算出每次买卖距今的间隔天数，代码如下：
#将买卖日期处理为日期数据类型data['DealDateTime']=pandas.to_datetime(data.DealDateTime,format='%Y/%m/%d')#假定2015-10-1是核算当天，求买卖日期至核算当天的间隔天数data['Days']=pandas.to_datetime('2015-10-1')-data['DealDateTime']#从时刻间隔中获取天数data['Days']=data['Days'].dt.days
履行以上代码，即可得到用户每一次买卖日期间隔指定日期的天数，如下图所示。
02、核算R、F、M
用户的明细数据预备好后，接下来就能够核算每个客户的最近买卖间隔R、买卖频率F以及买卖总额M，核算办法如下：
最近买卖间隔R：运用CustomerID作为分组列，间隔指定日期间隔天数Days作为聚合列，核算函数运用最小值函数min，即可得到每个客户的最近买卖间隔R。买卖频率F：运用CustomerID作为分组列，OrderID作为聚合列，核算函数运用计数函数count。买卖总额M：运用CustomerID作为分组列，订单金额Sales作为聚合列，核算函数运用求和函数sum。

对应的代码如下：

#核算每个客户间隔指定日期有多久没有消费了，即找出最小的最近消费间隔R=data.groupby(by=['CustomerID'],as_index=False)['Days'].agg('min')#核算每个客户买卖的总次数，即对订单ID计数F=data.groupby(by=['CustomerID'],as_index=False)['OrderID'].agg('count')#核算每个客户买卖的总额，即对每次的买卖金额求和M=data.groupby(by=['CustomerID'],as_index=False)['Sales'].agg('sum')

履行以上代码，得到的成果如下图所示。

接下来运用merge办法，将R、F、M三个数据在客户CustomerID维度上相关起来，由于它们具有一起的列名，在这种情况下，on参数能够省掉不写，代码如下：

#将R、F、M三个数据框相关，merge默许内衔接，可省掉，两表on条件的相关列名均为CustomerID，相同可省掉RFMData=R.merge(F).merge(M)#修正列名RFMData.columns=['CustomerID','R','F','M']

履行以上代码，得到的成果如下图所示。

03、核算R、F、M归纳分值
每个客户的R、F、M数据核算好后，接下来就能够对R、F、M这三个维度进行分组打分赋值，得到对应的R分值、F分值、M分值。
打分规范能够依照事务经历、平均值等规范进行区分。最好是依照事务经历区分，由于这儿分类的的用户是要到后边进行精密化运营的，能够经过已有的运营战略反推这儿的区分阈值，当然，假如还没有特别明晰的运营战略，也能够选用平均值进行区分。
本例将R、F、M三列别离依照各自的平均值区分为高、低2个组，并别离赋值1分、2分。
R分值（R_S）：间隔指定日期越近，R_S越大，R>=平均值，R_S为1，R<平均值，R_

S为2。

F分值（F_S）：界说为买卖频率越高，F_S越大，F<=平均值，F_S为1，F>平均值，F_

S为2。

M分值（M_S）：界说为买卖金额越高，M_S越大，M<=平均值，M_S为1，M>平均值，M_S为2。

对各个用户的RFM的数据行进行打分赋值，代码如下：

#判别R列是否大于等于R列的平均值，运用loc将契合条件R_S列的值赋值为1RFMData.loc[RFMData['R']>=RFMData.R.mean(),'R_S']=1#判别R列是否小于R列的平均值，运用loc将契合条件R_S列的值赋值为2RFMData.loc[RFMData['R']<RFMData.R.mean(),'R_S']=2#同R_S赋值办法，对F_S、M_S进行赋值，但与R相反，F、M均为越大越好RFMData.loc[RFMData['F']<=RFMData.F.mean(),'F_S']=1RFMData.loc[RFMData['F']>RFMData.F.mean(),'F_S']=2RFMData.loc[RFMData['M']<=RFMData.M.mean(),'M_S']=1RFMData.loc[RFMData['M']>RFMData.M.mean(),'M_S']=2

履行代码，R_S、F_S、M_S的分组分值就核算出来了，如下图所示。

依据以上得出用户终究的RFM分层，如下图所示。
#核算RFM归纳分值RFMData['RFM']=100*RFMData.R_S+10*RFMData.F_S+1*RFMData.M_S
履行代码，得到的RFM归纳分值如下图所示。CustomerID:14568的分层为221，对应的便是一般价值用户。

04、用户分层
接下来结合文章最初说到的用户分层界说，将用户细分为8种不同的类型。本例选用与RFM归纳分值与用户类型的对应联系表映射的办法完成用户分层。
首先将各个RFM归纳分值与用户类型的对应联系界说为一个映射匹配表。然后再运用merge中的内衔接inner办法，将RFMData与刚界说的RFM归纳分值用户类型的映射匹配表，依据相关列名RFM匹配合并为一个dataframe，这样就完成了用户分层的操作，代码如下：
#界说RFM归纳分值与客户类型的对应联系表CustomerType=pandas.DataFrame(data={'RFM':[111,112,121,122,211,212,221,222]'Type':['潜在客户','要点款留客户','一般坚持客户','要点坚持客户','一般开展客户','要点开展客户','一般价值客户','高价值客户']})#将RFMData与RFM归纳分值客户类型的对应联系表合并为一个数据框#merge默许内衔接，可省掉，两表on条件的相关列名均为RFM，相同可省掉RFMData=RFMData.merge(CustomerType)
履行代码，得到的数据如下图所示。

能够看到，最终一列数据，便是对每个用户细分的用户分层。最终，咱们来看看，每个类别的用户数是多少，代码如下：

<pre style="f

特别申明：本站的主旨在于收集互联网运营相关的干货知识，给运营小伙伴提供便利。网站所收集到的公开内容均来自于互联网或用户投稿，并不代表本站认同其观点，也不对网站内容的真实性负责，如有侵权，请联系站长删除，转载请注明出处：https://www.lnwcn.com/157312.html。

【数据分析思维】RFM用户分层

猜你喜欢