不会RFM模型分析？这篇应用实例拿走不谢

相信多数的数据分析人员与我一样，刚开始接触数据分析工具时，经常不知该从何下手，分析数据也是胡乱分析一通，往往分析不到想要的结果。同样的数据在专业数据分析师的手里是宝藏，怎么到了自己手中便成了一堆废铁，为什么呢？是我们分析的知识存储不够吗？虽然有部分原因是可能是因为不懂分析模型原理，但也许更多的原因是我们不懂该如何利用工具将各种模型法则运用到分析决策当中去。

打个比方，在客户管理方面，企业想分析哪些客户更重要，时常会通过帕累托模型做分析；想判断哪些客户最有价值，时常会运用到RFM分析模型等等一样。明明分析模型相关的知识都了解，却因为不会用工具实现分析，一切都只是徒劳。接下来我便简单为大家分享关于RFM模型在数林BI中的应用，不会用工具也无需担心，直接参考模板就对了！

一、 关于RFM模型解释

RFM模型由三个维度R(Recency-近度）、F(Frequency-频度）和M（Monetary-额度）组成。

近度R： 表示客户最近交易距离当前天数，本文可以简单理解为客户的最近交易日期与数据采集日期的距离，R越大表示客户许久未交易，反之，表示客户不久前刚交易过。

频度F： 可简单理解为客户在某段时间内交易的频次，F越大表示客户在某段时间内交易越频繁，越小，表示客户交易频次越少。

额度M ：表示客户在某段时间内的消费金额，本文可简单理解为客户在某段时间内的平均消费金额。M越大表示客户在某段时间内成交的金额越大，反之越小。

二、 利用 RFM模型 划分销售客户群体

通过RFM模型可将销售客户群体划分为不同级别类型客户，如下图所示：

三、 RFM模型的应用

如上图所示，这是用数林BI工具从金蝶进销存系统中直接取数，按照特定的要求做出的RFM模型的简单应用，将企业的销售客户划分出来。用户可通过此模型可直观了解到客户处于哪个层级上，比如哪些客户是重要价值客户，哪些仅仅只是一般价值客户等等，并针对划分的类型采取不同的运营措施，例如，重要价值客户是公司的优质客户需要重点保持；而对于公司贡献不大的一般挽留客户，可询问原因，但不必太重点关注，保持一般互动即可......通过不同的营销策略管理客户，可在一定程度上为企业减少不必要的资源浪费。

当然，企业可结合其他的图表对销售客户进行分析，如下图所示：

上图是数林BI中建立的一个关于销售客户可视化的BI分析模型，用户可以借此模板掌握公司不同类型客户的情况，从而判断销售客户的价值，并有针对的采取不同的运营举措。

同样，用户将RFM模型结合客户黏性分析，从销售额、单价、品类、笔数等角度分析哪些客户流失了，从而及时找寻可能的流失原因，这对企业的发展有重大意义。

RFM的含义如下：

1、R（Recency）：客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。

2、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，反之则表示客户交易不够活跃。

3、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，反之则表示客户价值越低。

4、RFM分析就是根据客户活跃程度和交易金额的贡献，进行客户价值细分的一种方法。

rfm分析方法如下：

我们通常采用交易数据的格式进行分析。因为交易数据可以整理成客户数据，而客户数据无法还原成交易数据。即用交易数据的字段可以得到客户数据的字段，反之不行。

具体是“交易数据”还是“客户数据”根据数据源文件的格式而定。

【变量】：选择各个变量

【分箱化】：评分的总分是多少

【保存】：生成哪些新的变量，可以自定义名称。

【输出】：可以全部勾选，为了能全面的解读RFM分析结果。

确定后，生成了四个新的变量

崭新-得分：最后一次交易的时间间隔得分；

频率-得分：交易总次数得分；

消费金额-得分：交易总金额得分；

RFM得分：RFM得分

分析结果解读：

该图主要用来查看每个RFM汇总得分的客户数量分布是否均匀。

我们期望均匀的分布，若不均分，则应该重新考虑RFM的适用性或尝试另一种分箱方法（减少分箱数目或随机分配绑定值）

“RFM热图”是交易金额均值在RS和FS绘制的矩阵图上的图形化表示，用颜色深浅表示交易金额均值的大小，颜色越深，表示相应矩阵块内的客户交易金额均值越高。

如本例随着RS和FS的分值增大，颜色越来越深，说明客户最近一次交易时间越近、交易次数越多，其平均交易金额越高。

该图是最后一次交易时间、交易总次数、交易总金额之间的散点图。

通过散点图可以清晰直观的看到三个分析指标两两之间的关系，便于指标相关性评估。

本例中，交易总次数和交易总金额存在较为明显的线性关系，而最后一次交易时间和另外两个分析指标之间的相关性较弱。

---