RFM客户细分模型解析(rfm客户分类方法)
本文目录
利用RFM模型对会员客户进行细分管理
会员服务企业希望通过RFM模型对1200个会员客户的活跃度、交易频率和消费金额进行细分，以制定针对性的营销策略。
针对近1200名会员，RFM模型通过三个维度（最近活跃时间R、交易频率F、消费金额M）将客户划分为27个类别，每类约44人。这种划分有助于识别潜在流失客户、忠诚客户和高价值客户，以便进行电话、短信或信函营销，同时考虑集中度和数量平衡。
RFM模型以客户最近交易时间、交易频率和平均消费额为基础，R值反映客户活跃度，F值衡量客户活跃频率，M值代表客户消费金额。通过三维坐标系，将客户划分为8个级别，如保持、发展、价值、挽留等，便于理解和分析。
在实际操作中，首先在Excel中处理数据，计算F值（交易次数）、M值（平均交易额）和R值（距离最近交易时间）。然后通过R-score、F-score和M-score，对客户进行三等分。最后，利用透视表统计每个RFM魔方的客户数量，并通过条件格式可视化结果。
理解这些细分有助于企业制定个性化营销策略，例如，确定优质客户群体、潜在流失风险高的客户、需要升级服务的客户以及高成本但可能价值低的客户。此外，模型并非绝对，需要结合具体业务场景调整指标，如嘀嘀和支付宝等多业务平台会考虑用户跨场景使用频率来优化补贴策略。
用户运营全解析
前言最近浏览互联网运营的招聘信息，从中感受到运营这个岗位的细分化和体系化，而对用户运营的需求，也呈现出了趋同性，于是终于可以给它做个定义全解。希望对用户运营工作好奇的、或刚进入这个行业、或还在找工作的毕业生一个帮助，让大家更了解这项工作。若觉得有用，请大家点赞+收藏丫~账号升级需要你们的帮助~~一、大厂们对用户运营岗位的需求描述（2020.09）
为了说清楚用户运营这个事情，我从腾讯、京东、网易、字节的招聘官网里挖了26个用户运营的职位需求出来，再从工具/应用、目标、能力三个方向，得出其共性需求。
由上图数据，可见在“工具/内容”方面，最受重视的是“活动”（如活动运营、活动策划等等），然后是“分层”（就是用户分层，不同用户用不同的运营策略），后面的如长大（体系）、用户生命周期、调研、用户画像、用户激励等等，看似提及的少，其实在做活动/用户分层的时候就会用到，是无处不在的工具/方法。而目标方面，突出的是活跃和留存，其次是拉新，基本把用户生命周期中的目标全包了。能力方面，除了抗压、跨部门沟通等通用需求，数据分析就是个重点（笔者认为运营本身也是数据驱动的工作），而其中只有一个明确提到SQL加分。
二、用户运营做什么及每项事务间的关系第一部分中提到的很多名词在整个用于运营当中如何体现？下图可以直观了解这个概要
一般情况下，做用户运营，是以用户生命周期、用户增长模型为思维基础；以拉新、促活、转化（首购、复购、关键行为转化）、留存为目标的工作。
至于完成工作目标的策略或手段，就看具体产品的需求再定。通常满足衣食住行等常规重复多次使用的app，工作内容就如上图了：对用户进行分层，然后对分层用户进行调研，得出画像，对不同画像的用户，根据目的需求，采用不同的方式进行触达（通常以活动为落地载体），然后分析数据查看效果，然后再迭代。
为了让大家进一步理解这些关系，我大概画了张图（大概理解为可以开出不同的花的植物[产品]和会进化的蜜蜂[用户]：
（将就看一下emm，如果清楚关系的话可以跳过这里）
从根部往上看，每一次分出的一根枝条，都是一次分层的完成，不同枝条上长出来的不同的花，就是活动或表层互动功能，花的香味就是触达，让用户（异形蜜蜂）发现并与产品发生互动（采蜜/传播花粉），不同的花形态/香味吸引不同的蜜蜂，不同花又决定着蜜蜂的互动方式。左边分枝是一类激励体系，它长出多朵花，每朵花的采蜜难度不同，蜜蜂通过采集初级花朵的花粉累计进化积分，进化后可采集高级花朵花粉。至于花朵长什么样子？为什么能吸引某一类蜜蜂，那就是在分层初期完成的用户调研和用户画像，经过多次测试把花朵最终长成蜜蜂（用户）喜欢的样子。（当然用户采蜜的行为也可以进一步反馈他们对产品表现的接受程度）
三、关键点的拆分详解目标及基本思维：
1、目标。不同业务对于这些名词的具体解析、精细程度的要求会有一定差距，比如大部分app的拉新是指新注册，而有部分购物app对拉新的指代是首单用户；又如很多app看留存会看次日留存、次月留存；但对于低频型的工具类app可能会倾向按7日留存。这个在具体工作中再具体观察。
2、生命周期是个概括型模型，有用户的生命周期，也有产品的生命周期。当然此处主要讲用户。在获取用户初期，我们或许会做渠道投放、或许会做裂变活动，而这些投放或拉新活动，都会消耗一定成本，所以一开始用户价值是负值；随着用户的与产品的关键行为互动增加，用户的价值开始上升（不同的产品不一样，有些可能是用户付费价值、有些可能是广告价值）；当用户沉没或流失时，产品如果依旧对用户进行维护如短信、邮件触达等，而用户没有相关的关键行为回应，这里的用户价值又会降为负值。关于用户的生命周期价值，网络中文章已经有很多，大家感兴趣可以度娘一下。
工作内容部分：
分层分层是什么？广义一点，分层就是一种精细化运营的思维方式，其实就是按某种办法把用户分层级或分类别。如按生命周期分，就是新增用户、活跃用户、流失用户等等；如按用户价值分就是重要价值用户、重要发展用户、重要保持用户、一般价值用户
为什么要分层？从用户发展的角度看，不同用户的使用需求和付费习惯不同，对app熟悉度也不同，对不同用户进行区分运营，提供不同的产品咨询，提供不同的服务，会减少用户的搜索成本，提高用户使用体验，增加用户粘性和转化。从运营效率角度出发，运营人力有限，对用户进行分类分层，对目标价值有更高贡献的用户给出更多的运营时间，运营效率会更高一些。
如何分层？要根据目标/猜想提取数据，对数据进行分析，得出不同的用户群体；通过调研/活动触达的方法，验证猜想/目标，进一步优化分层。（有些时候分层不是一蹴而就的，需要多次反复测试验证才能得到最佳的分层标准，还有越是精细化，分层的标准就越多，比如“重要价值用户中的母婴产品购买群体”这里就是两个限制标准了。
常见的分层方法：
1、见上图（按工作目标来分层就好）
2、价值分层：RFM《如何进行用户分层，实现精细化运营？利用RFM用户价值模型》（Chirs）此文章相当详尽，需要补充的是，这个方法的原理可以举一反三到很多方面：
以及可以关注其主要的数学逻辑：以用户占比及观测指标为YX轴，根据曲线变化划定观测指标档位，继而再进行下一步赋值运算。（意味着不一定是RFM，就算自己定义的其他标准，也可以用类似的方法进行用户分层）
3、要素权重分层。
分层后用户画像调研（知道他们是谁，偏好什么，才能做对应触达）
用户画像一般分几类：
1、人口统计数据画像：年龄、性别、职业、学历、收入、地理位置
2、用户行为画像：浏览习惯（浏览时段、浏览时长、浏览类目）、购买习惯（购买单均、购买类别、购买频次、关联购买）、分享习惯
3、用户态度画像：对产品满意度、希望产品满足的需求、喜好、生活方式
其中人口统计数据可通过简单的问卷调研或用户身份证信息等获取，行为数据直接采集系统数据，用户态度数据就需要通过用户和产品的长期互动才能得出，通常指代如下数据：满意度、感觉的竞争状态和位置、欲望特征、为满足需求、生活方式、对品牌的偏好、合会性和个人价值、观念、各种喜好。
人口统计数据与偏好：
行为数据画像（部分）
*附表,用户偏好数据及其对应价值
当了解用户偏好的时候，经常会需要到以下的数据实际行为、评分、市场细分（细分是要不断进行的，可以从最初的RFM开始逐步加强细分；方法包括盈利性细分、人口统计细分、渠道利用细分、RFM细分、个人态度细分、偏好细分）、直率对话（表明偏好、回答问题、提出要求）、第三方信息（包括人口统计数据、简历、生活习惯等）
有用性:A高价值B中价值C低价值
（这个表列出来，是想提醒自己和各位同学，当自己日常花了很多时间在某件事情/某些数据上的把时候，我们应该偶尔站出来看看自己做的事情和实际任务价值关联）
活动在之前的文章里有提到活动的上线前运营，大家可以翻翻看，我这里不赘述了。
<ahref="">《活动运营深度解剖（一）：活动前准备（含详细流程图和大量细节）》
精华基本是上述两图，要注意的是
1、对用户运营而言，每个活动都是了解用户的工具，不管活动成败，只要用户通过活动和产品实现了互动，我们就能进一步了解用户。所以不管活动是否由用户运营举办和执行，用户运营都可以多加关注。（用户参加了什么活动？他对活动方式和奖励的应激性如何？他的往期活跃度如何、活动期间活跃度如何？哪些活动没有参与热情）
2、在分层的完整流程中，活动可以作为验证猜想的最后一个环节。
用户激励体系依旧是往期文章《运营进阶：用户激励体系底层逻辑剖析》，全文重点见下图：
用户激励体系，其实就是用产品周边价值引导用户行为，提高用户价值的做法。
而制作激励体系，前提需要想清楚，用户某行为的价值是多少？
*有些产品盲目进入如积分体系积分商城等功能，仅用户留存（每日登陆/签到/浏览）就可以获得积分并简单累积些时间就可以兑换实物礼品，这种做法容易引来薅羊毛用户，增加运营成本。
那么建立激励体系前应该考虑什么因素？如何挖掘用户价值行为？如何将用户价值和计算分值进行等价匹配？请看往期长文：《用户激励体系超长攻略：从底层逻辑剖析到体系建立描述》
四、用户运营工作的日常（仅供小白参考）然后我们直接看看用户运营的日常工作（仅为自身工作经验的提取，不一定具有普适性）
其实运营的工作大体类似，也是属于一个要沟通多个部门的工作。对于新入职的运营，其要点在于快速熟悉后台应用、产品流程、各部门/组别的分工和工作风格及沟通流程等等。
另外因为用户运营背着活跃、留存、转化等目标，所以也可能会背上触达规划（sms、邮件、微信、push）、资源为规划、优惠券发放规划等等工作，因为不在招聘热频词里，所以不细讲了。
*不止于此前面有提到，用户运营的目的就是获取有价值的用户，并努力保留用户提高用户价值。所以进阶的运营，可以朝着这个方向，结合公司目标，再尝试新的工作内容和项目，不要把自己的创造力限制在几个已知名词中。
五、CRM对用户运营的启示（思维方面）CRM的解析和用户运营相当一致，从中我们也可以得到一些启示。
1、目标解读
放弃无利可图的用户：在CRM目标的描述中，“放弃无利可图”的客户，也是目标中的而一环，在用户运营的日常工作中，有一项是“召回流失用户”，通常使用短信、电联等方式，这项工作繁杂且转化率低，且要付出人力成本及高额通信成本（国内短信费用低，但某些国家如越南短信费用高），所以在工作时不用无休止地“召回”，应该确立标准，在什么时候满足什么条件，对用户进行放弃，也是做用户保留的一环。
降低服务成本和运作成本在增长部分，降低成本也是增长的一个关键点。所以在衡量我们工作价值的时候，也可以把降低成本加入进去，比如自动应答系统降低了人工沟通成本等。
2、管理模型IDIC
识别多渠道多系统的统一，当客户来的时候快速识别出客户类型和过往任何重要互动信息
区别对待把时间留给高价值用户
互动高效的互动，每次互动都以上一次为基础，承接上一次的互动
以客户为中心个性化定制的服务（需要客户的信任和更多的双向沟通）
需要注意的是，识别这一步是需要较多的技术支持，因为它要求多渠道信息的融合，如：用户通过小程序反馈问题，和客服进行沟通，那么后来他转移到app上时，系统也需要识别出这个人在小程序中反馈过的问题及相关沟通进度。（这一步骤最大的矛盾应该是隐私数据安全）
区别对待也是一个重点，包括要把时间留给高价值的用户，同时也要求根据客户需求的差别来区别对待用户。
3、客户的价值（利润贡献）
客户对企业利润的贡献1、因增加购买而获得利润；2、降低运作成本而获得利润（客户越来越有经验，提取需求次数减少，出错概率减少）；3、推荐；4、价格溢出长期客户更可能支付正常价格
六、结束语本文基本以用户运营涉及的概念、思维逻辑为主，本想加入点操作的例子，但总觉得过于冗杂，于是只好后置。文章的内容主要基于个人经历和思考，如大家有其他想法，欢迎留言交流。
RFM模型分析与客户细分
RFM模型分析与客户细分
根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。
RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M(Monetary)表示客户在最近一段时间内购买的金额。一般原始数据为3个字段：客户ID、购买时间(日期格式)、购买金额，用数据挖掘软件处理，加权(考虑权重)得到RFM得分，进而可以进行客户细分，客户等级分类，Customer Level Value得分排序等，实现数据库营销!
这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。
本次分析用的的软件工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT
因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。
先说说对海量数据挖掘和数据处理的一点体会：(仅指个人电脑操作平台而言)
一般我们拿到的数据都是压缩格式的文本文件，需要解压缩，都在G字节以上存储单位，一般最好在外置电源移动硬盘存储;如果客户不告知，你大概是不知道有多少记录和字段的;
Modeler挖掘软件默认安装一般都需要与C盘进行数据交换，至少需要100G空间预留，否则读取数据过程中将造成空间不足
海量数据处理要有耐心，等待30分钟以上运行出结果是常有的现象，特别是在进行抽样、合并数据、数据重构、神经网络建模过程中，要有韧性，否则差一分钟中断就悲剧了，呵呵;
数据挖掘的准备阶段和数据预处理时间占整个项目的70%，我这里说如果是超大数据集可能时间要占到90%以上。一方面是处理费时，一方面可能就只能这台电脑处理，不能几台电脑同时操作;
多带来不同，这是我一直强调的体验。所以海量数据需要用到抽样技术，用来查看数据和预操作，记住：有时候即使样本数据正常，也可能全部数据有问题。建议数据分隔符采用“|”存储;
如何强调一个数据挖掘项目和挖掘工程师对行业的理解和业务的洞察都不为过，好的数据挖掘一定是市场导向的，当然也需要IT人员与市场人员有好的沟通机制;
数据挖掘会面临数据字典和语义层含义理解，在MetaData元数据管理和理解上下功夫会事半功倍，否则等数据重构完成发现问题又要推倒重来，悲剧;
每次海量大数据挖掘工作时都是我上微博最多的时侯，它真的没我算的快，只好上微博等它，哈哈!
传统RFM分析转换为电信业务RFM分析主要思考：
这里的RFM模型和进而细分客户仅是数据挖掘项目的一个小部分，假定我们拿到一个月的客户充值行为数据集(实际上有六个月的数据)，我们们先用IBM Modeler软件构建一个分析流：
数据结构完全满足RFM分析要求，一个月的数据就有3千万条交易记录!
我们先用挖掘工具的RFM模型的RFM汇总节点和RFM分析节点产生R(Recency)、F(Frequency)、M(Monetary);
接着我们采用RFM分析节点就完成了RFM模型基础数据重构和整理;
现在我们得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score;这里对RFM得分进行了五等分切割，采用100、10、1加权得到RFM得分表明了125个RFM魔方块。
传统的RFM模型到此也就完成了，但125个细分市场太多啦无法针对性营销也需要识别客户特征和行为，有必要进一步细分客户群;
另外：RFM模型其实仅仅是一种数据处理方法，采用数据重构技术同样可以完成，只是这里固化了RFM模块更简单直接，但我们可以采用RFM构建数据的方式不为RFM也可用该模块进行数据重构。
我们可以将得到的数据导入到Tableau软件进行描述性分析：(数据挖掘软件在描述性和制表输出方面非常弱智，哈哈)
我们也可以进行不同块的对比分析：均值分析、块类别分析等等
这时候我们就可以看出Tableau可视化工具的方便性
接下来，我们继续采用挖掘工具对R、F、M三个字段进行聚类分析，聚类分析主要采用：Kohonen、K-means和Two-step算法：
这时候我们要考虑是直接用R(Recency)、F(Frequency)、M(Monetary)三个变量还是要进行变换，因为R、F、M三个字段的测量尺度不同最好对三个变量进行标准化，例如：Z得分(实际情况可以选择线性插值法，比较法，对标法等标准化)!另外一个考虑：就是R、F、M三个指标的权重该如何考虑，在现实营销中这三个指标重要性显然不同!
有资料研究表明：对RFM各变量的指标权重问题,Hughes,Arthur认为RFM在衡量一个问题上的权重是一致的,因而并没有给予不同的划分。而Stone,Bob通过对信用卡的实证分析,认为各个指标的权重并不相同,应该给予频度最高,近度次之,值度最低的权重;
这里我们采用加权方法：WR=2 WF=3 WM=5的简单加权法(实际情况需要专家或营销人员测定);具体选择哪种聚类方法和聚类数需要反复测试和评估，同时也要比较三种方法哪种方式更理想!
下图是采用快速聚类的结果：
以及kohonen神经算法的聚类结果：
接下来我们要识别聚类结果的意义和类分析：这里我们可以采用C5.0规则来识别不同聚类的特征：
其中Two-step两阶段聚类特征图：
采用评估分析节点对C5.0规则的模型识别能力进行判断：
结果还不错，我们可以分别选择三种聚类方法，或者选择一种更易解释的聚类结果，这里选择Kohonen的聚类结果将聚类字段写入数据集后，为方便我们将数据导入SPSS软件进行均值分析和输出到Excel软件!
输出结果后将数据导入Excel，将R、F、M三个字段分类与该字段的均值进行比较，利用Excel软件的条件格式给出与均值比较的趋势!结合RFM模型魔方块的分类识别客户类型：通过RFM分析将客户群体划分成重要保持客户、重要发展客户、重要挽留客户、一般重要客户、一般客户、无价值客户等六个级别;(有可能某个级别不存在);
另外一个考虑是针对R、F、M三个指标的标准化得分按聚类结果进行加权计算，然后进行综合得分排名，识别各个类别的客户价值水平;
至此如果我们通过对RFM模型分析和进行的客户细分满意的话，可能分析就此结束!如果我们还有客户背景资料信息库，可以将聚类结果和RFM得分作为自变量进行其他数据挖掘建模工作!
