用户价值分层

2023-09-19 14:44| 来源: 网络整理| 查看: 265

用户价值分层——基于RFM模型的研究分析 RFM模型的概念和用途名词解释RFM模型概念RFM模型用途基于RFM模型的实践实验数据数据预处理基于RFM模型的用户评分分层基于RFM的用户价值分层基于RFM模型的场景应用基于RFM模型构建用户画像基于RFM模型实现精准营销

导读: 学习随笔，近期一直在研究关于用户的数据分析产品，网上翻阅了诸多文集，想想还是自己落笔记录下过程。该篇文章主要是针对RFM模型的介绍与实践，在研究理论的同时，亦学习巩固下Python的能力。

RFM模型的概念和用途名词解释

• R（Recency）：消费间隔，最近一次距离上次消费的时间间隔 • F（Frequency）：消费频次，一段时间（1个月/1年…）内的消费总次数 • M（Monetary）：消费金额，一段时间（1个月/1年…）内的消费总金额

RFM模型概念

RFM模型是用户价值研究中的经典模型，基于近度（Recency），频度（Frequency）和额度（Monetory）这3个指标对用户进行聚类，找出具有潜在价值的用户, 从而辅助商业决策，提高营销效率。RFM作为一种数据驱动的客户细分技术，可帮助营销人员做出更明智的战略性决策，使营销人员能够快速识别用户并将其细分为同类群体，并针对性制定个性化的营销策略，提高用户的参与度和留存率。 RFM建模所需要的数据源是相对简单的，只用到了购买记录中的时间和金额这两个字段。我们基于交易数据中用户的最后一次的购买时间，购买的次数以和频率，以及平均/总消费额对每个用户计算了三个维度的标准分。然后我们对于三个维度赋予了不同的权重，再基于加权后的分值应用K-Means进行聚类，根据每种人群三个维度与平均值之间的高低关系，确定哪些是需要保持用户，哪些是需要挽留的用户，哪些是需要发展的用户等。在将这些客户圈出之后，便可以对不同客户群使用不同针对性地营销策略（引导，唤醒等），提高复购率与转化率。值得注意的是，三个维度的权重制定并没有统一的标准，比较通用的方法是用层次分析法(AHP)，实际场景结合行业以及具体公司的特点进行因地制宜、因人而异的优化。

RFM模型用途

RFM因素： • R值越高，顾客的有效期越近，对商家活动的响应越积极 • F值越高，顾客的消费频次越高，对商家的忠诚度就越高 • M值越高，顾客的消费能力越高，对商家贡献度就越高 • 想要提高复购率和留存率，需要时刻警惕R值

RFM分析： • 谁是您最有价值的客户？ • 导致客户流失率增多的是哪些客户？ • 谁有潜力成为有价值的客户？ • 你的哪些客户可以保留? • 您哪些客户最有可能对参与度活动做出响应？ • 谁是你不需要关注的无价值客户？ • 针对哪些客户制定哪种发展、保留、挽回策略？

通过RFM模型，可以帮助营销人员实现客户细分；衡量客户价值和客户利润创收能力；识别优质客户；指定个性化的沟通和营销服务；为更多的营销决策提供有力支持。

基于RFM模型的实践实验数据

数据来源：某知名餐饮品牌2019年起注册会员的消费数据样本数据：会员id、订单id、消费日期、消费金额数据总量：134683（其中会员数为62018）数据示例（如下表所示）：

member_idorder_idcurr_datepay912e64b3fdf945448505e6d4b815574b113d90174fc390bcb780a2020/10/658981c4e0bd28a462d8953c01cbfe874b113d90175028fe17e5d4c2020/10/717215321a29b03641f895119bd2f64f74b113d9017507d7c8881d412020/10/888 数据预处理

数据导入：使用python的pandas.read_csv导入样本数据。缺失值校验：因数据为生产真实的交易数据，质量相对较高，缺失值较低。

data.isnull().any(axis=0) # 检查每一列是否有缺失值 data.isnull().any(axis=1) # 检查每一行是否有缺失值

极值校验：第一份样本数据获取的用户订单实付金额，其中会存在优惠或补差支付，同时因就餐人数不一致，产生的的订单消费也会存在较大的差异，造成极致波动、标准差值较大，因此需对金额进行处理，以人均消费额替代订单支付金额，可去掉10元以下、万元以上的交易订单。

print(data.describe())

获取RFM值：使用 groupby获取RFM值

# 计算原始最近一次订单时间 r = date['curr_date'].groupby(date.index).max() # 计算原始订单频率 f = date['order_id'].groupby(date.index).count() # 计算原始订单总金额 m =date['pay'].groupby(date.index).sum()

获取RFM评分值：数据离散，pandas.cut

# 计算r得分 r_interval为当前日期与R值的间隔天数 r_score = pd.cut(r_interval, 5, labels=[5, 4, 3, 2, 1]) # 计算f得分 f_score = pd.cut(f, 5, labels=[1, 2, 3, 4, 5]) # 计算m得分 m_score = pd.cut(m, 5, labels=[1, 2, 3, 4, 5]) #RFM离散分布区间 # R [(11.878, 36.4] < (36.4, 60.8] < (60.8, 85.2] < (85.2, 109.6]

【本文地址】

公司简介

联系我们