[[420810]]

本文轉載自微信公眾號「大數據技術與數倉 」，作者西貝。轉載本文請聯系大數據技術與數倉 公眾號。

在適當、有效的商務智能環境中，數據分析的質量必須得到保障。而確保數據分析質量的第一步就是根據問題需求從海量數據中提煉出真正所需的數據，因為這是發揮數據價值很重要的一個方面。通過數據的分析與可視化呈現可以更加直觀的提供數據背后的秘密，從而輔助業務決策，實現真正的數據賦能業務。本文主要介紹在用戶分層和用戶標簽中常常使用的一個模型——RFM模型。

基本概念

RFM模型是在客戶關系管理(CRM)中常用到的一個模型,RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段。該模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢三項指標來描述該客戶的價值狀況。

RFM模型較為動態地層示了一個客戶的全部輪廓，這對個性化的溝通和服務提供了依據，同時，如果與該客戶打交道的時間足夠長，也能夠較為精確地判斷該客戶的長期價值(甚至是終身價值)，通過改善三項指標的狀況，從而為更多的營銷決策提供支持。

RFM由三要素構成，即R – Recency 最近一次活動，F – Frequency用戶活動頻率，M – Monetary 消費金額，每個要素都代表著用戶某種重要的行為特征。RFM衡量數據是分析用戶行為的重要指標，用戶活動頻率F和消費金額M代表了用戶終生價值，最近一次活動R則代表了用戶留存率以及用戶參與度。

在RFM模式中，包括三個關鍵的因素，分別為：

• R(Recency)：表示客戶最近一次購買的時間有多遠，即最近的一次消費，消費時間越近的客戶價值越大
• F(Frequency)：表示客戶在最近一段時間內購買的次數，即消費頻率，經常購買的用戶也就是熟客，價值肯定比偶爾來一次的客戶價值大
• M (Monetary)：表示客戶在最近一段時間內購買的金額，即客戶的消費能力，通常以客戶單次的平均消費金額作為衡量指標，消費越多的用戶價值越大。

最近一次消費、消費頻率、消費金額是測算消費者價值最重要也是最容易的方法，這充分的表現了這三個指標對營銷活動的指導意義。而其中，最近一次消費是最有力的預測指標。

通過上面分析可以對客戶群體進行分類：

通過RFM模型能得到什么信息

• 誰是最佳用戶?
• 哪些用戶即將流失?
• 誰有潛力成為有價值用戶?
• 哪些用戶可以留存?

數據分析案例

• 效果圖

• 實現步驟

假設有如下的樣例數據：

需要將數據集加工成如下格式：

具體SQL實現

SELECT  
     customer_name,-- 客戶名稱 
     customer_avg_money,-- 當前客戶的平均消費金額 
     customer_frequency, -- 當前客戶的消費頻次 
     total_frequency,-- 所有客戶的總消費頻次 
     total_avg_frequency, -- 所有客戶平均消費頻次 
     customer_recency_diff, -- 當前客戶最近一次消費日期與當前日期差值 
     total_recency, -- 所有客戶最近一次消費日期與當前日期差值的平均值 
     monetary,-- 消費金額向量化 
     frequency, -- 消費頻次向量化 
     recency, -- 最近消費向量化 
     rfm, -- rfm 
     CASE 
        WHEN rfm = "111" THEN "重要價值客戶" 
        WHEN rfm = "101" THEN "重要發展客戶" 
        WHEN rfm = "011" THEN "重要保持客戶" 
        WHEN rfm = "001" THEN "重要挽留客戶" 
        WHEN rfm = "110" THEN "一般價值客戶" 
        WHEN rfm = "100" THEN "一般發展客戶" 
        WHEN rfm = "010" THEN "一般保持客戶" 
        WHEN rfm = "000" THEN "一般挽留客戶" 
    END AS rfm_text 
FROM 
  (SELECT  
       customer_name,-- 客戶名稱 
       customer_avg_money,-- 當前客戶的平均消費金額 
       customer_frequency, -- 當前客戶的消費頻次 
       total_avg_money ,-- 所有客戶的平均消費總額 
       total_frequency,-- 所有客戶的總消費頻次 
       total_frequency / count(*) over() AS total_avg_frequency, -- 所有客戶平均消費頻次 
       customer_recency_diff, -- 當前客戶最近一次消費日期與當前日期差值 
       avg(customer_recency_diff) over() AS total_recency, -- 所有客戶最近一次消費日期與當前日期差值的平均值 
       if(customer_avg_money > total_avg_money,1,0) AS monetary, -- 消費金額向量化 
       if(customer_frequency > total_frequency / count(*) over(),1,0) AS frequency, -- 消費頻次向量化 
       if(customer_recency_diff > avg(customer_recency_diff) over(),0,1) AS recency, -- 最近消費向量化 
       concat(if(customer_recency_diff > avg(customer_recency_diff) over(),0,1),if(customer_frequency > total_frequency / count(*) over(),1,0),if(customer_avg_money > total_avg_money,1,0)) AS rfm 
   FROM 
     (SELECT  
           customer_name, -- 客戶名稱 
           max(customer_avg_money) AS customer_avg_money , -- 當前客戶的平均消費金額 
           max(customer_frequency) AS customer_frequency, -- 當前客戶的消費頻次 
           max(total_avg_money) AS total_avg_money ,-- 所有客戶的平均消費總額 
           max(total_frequency) AS total_frequency,-- 所有客戶的總消費頻次 
           datediff(CURRENT_DATE,max(customer_recency)) AS customer_recency_diff -- 當前客戶最近一次消費日期與當前日期差值 
      FROM 
        (SELECT  
               customer_name, -- 客戶名稱 
               avg(money) over(partition BY customer_name) AS                customer_avg_money, -- 當前客戶的平均消費金額 
               count(amount) over(partition BY customer_name) AS customer_frequency, -- 當前客戶的消費頻次 
               avg(money) over() AS total_avg_money,-- 所有客戶的平均消費總額 
               count(amount) over() AS total_frequency, --所有客戶的總消費頻次 
               max(sale_date) over(partition BY customer_name) AS customer_recency -- 當前客戶最近一次消費日期 
 
       FROM customer_sales) t1 
       GROUP BY customer_name)t2) t3 

通過上面的分析，可以為相對應的客戶打上客戶特征標簽，這樣就可以針對某類客戶指定不同的營銷策略。

結論

• 如果一家公司「重要價值」的客戶不多，其他都是價值很低的「一般保持」客戶，表示客戶結構很不健康，無法承受客戶流失的風險。
• 「重要保持客戶」是指最近一次的消費時間離現在較久，但消費頻率和金額都很高的客戶，企業要主動和他們保持聯系。
• 「重要發展客戶」是最近一次消費時間較近、消費金額高，但頻率不高、忠誠度不高的潛力客戶。企業必須嚴格檢視每一次服務體驗，是否讓客戶非常滿意。
• 「重要挽留客戶」則是最近一次消費時間較遠、消費頻率不高，但消費金額高的用戶。企業要主動厘清久未光顧消費的原因，避免失去這群客戶。

要減少重要挽留客戶，促活重要保持客戶，挖掘重要發展客戶，才能產生源源不絕的重要價值客戶。

總結

營銷人員利用RFM分析能夠快速地將用戶細分成同類群組，并針對這些用戶采取不同的個性化營銷策略，從而提高用戶的參與度和留存率。值得注意的是，不同的行業的數據特點和用戶行為特點是不盡相同的，所以在實際的操作過過程中，會制定符合自己公司業務特點的RFM規則，但是基本的思路都是一致的。