构建RFM体系：优化客户分析和营销策略

摘要

RFM 分析是一种用于洞悉客户价值和行为的强大工具，广泛应用于市场营销和客户关系管理。本文将介绍 RFM 分析如何在数据产品不充分的情况下实现以及如何利用RFM分析来优化营销策略，提高客户满意度，增加业务收益。

导言

• RFM 分析最早起源于直邮行业，

• 用于确定哪些客户最有可能回应和购买邮寄目录中的产品。随着信息技术的发展， RFM 分析逐渐在各个行业得到广泛应用，成为理解客户行为和价值的关键工具。例如电子商务、金融、酒店业等。

• 主要的商业目标：

  • 客户洞察： RFM 分析允许企业深入了解客户的消费行为。通过分析最近一次交易时间，交易频率和交易金额，企业可以确定哪些客户更活跃，哪些客户更有价值。
  • 个性化营销： 基于 RFM 分析的结果，企业可以制定个性化的营销策略。不同 RFM 分组的客户可以接收到适合其需求和偏好的定制化推广信息，从而提高市场活动的效果。
  • 客户忠诚度： 通过识别和奖励高价值客户，企业可以增加客户的忠诚度。 RFM 分析有助于保持现有客户，并吸引他们继续购买。
  • 销售增长： 通过深入了解客户行为，企业可以发现销售增长的潜在机会。优化市场策略和产品定价可以提高业务的销售额。

  

第一部分： RFM 分析基础

1.1 什么是 RFM 分析？

RFM 的概念（ Recency ， Frequency ， Monetization ）是一种客户分类和预测的分析模型，用于识别最有价值的客户和预测他们未来的购买行为。它的三个维度分别是最近一次购买的时间、购买频率和客户生命周期价值。RFM模型可以帮助企业了解客户的消费习惯和需求，以便更好地为客户提供个性化的产品和服务，从而提高客户忠诚度和增加销售收入。

1.2 用户分层模型的对比

回归到一个问题，数据分析可以使用的用户分层模型茫茫多，为什么就一定要是RFM模型？选择模型一定是基于当前的业务场景和业务需求，从可行性及优劣势考虑是最匹配当前需求的。同时，越简单的模型带来快速的理解以及实现；

1.3 业务识别

笔者的业务是供应链平台 TO B 服务，当前主要聚焦的服务模式在用户进入平台完成注册、访问及交易转化。以下为业务识别的内容：

业务识别	说明
产品阶段	MVP 阶段，注重核心用户体验，挖掘用户痛点
业务阶段重心	拉新拓客、提升留存
业务模式

第二部分：构建 RFM 体系

2.1 数据收集和准备

2.1.1主要方式：

平台获取：通过互联网这个工具，我们可以通过像数据仓库这样的工具，帮助我们更深入地获取和分析数据。

2.1.2其它方式：

观察调研：这种方法通常用于用户研究，通过用户访谈和问卷调查等方式收集特定人群对产品或服务的反馈数据，了解他们的需求和行为特征。

问卷调查：这是一种传统的获取数据的方式，包括纸质问卷和互联网问卷两种形式，主要用于收集用户对产品或服务的反馈数据，从而了解市场和用户需求。

公开信息：包括国家统计数据、地方政府公开数据、上市公司年报、季报等，这些都可以从互联网上获取。

付费数据：在市场上，有一些产品化数据交易平台提供多领域的付费数据资源，可以按需购买使用。

2.2 数据预处理

数据清洗主要关注数据的质量和精度。它的目标是识别和修正数据中的错误和不一致性，以提高数据的质量和准确性，为后续的数据分析和建模提供可靠的基础。数据预处理包括数据集成、数据转换和数据规约等过程，旨在消除数据中的噪声、冗余和不一致性，使数据更加适合进行分析和建模。

2.3 构建 RFM 模型

2.3.1 最近一次交易时间（ Recency ）

当计算最近一次交易时间时，我们需要确定适当的时间窗口，对于该场景，最近一次的供应链交易日期和最近一次的网超交易日期相对重要。

  '''
  select 
  company_id as "机构id",
  company_name as "机构名称",
  max_pur_date as "最近一次交易距今日期时间"
  from main_table
  
  # 定义最近交易天数间隔区间和对应的分值
  transaction_interval_mapping = {
  (0, 7): 5,
  (8, 14): 4,
  (15, 30): 3,
  (31, 90): 2,
  (91, float('inf')): 1
    }
  '''

2.3.2 交易频率（ Frequency ）

交易频率的最直观指标就是交易订单的数量，我们通过聚合客户近一个月的交易订单数以及历史累计的交易订单数去进行分析；同时根据不同的场景，我们需要充分考虑和权衡各种因素，去选择交易的不同类型，进行分析。

  '''
  select 
  company_id as "机构id",
  company_name as "机构名称",
  coalesce(pur_cnt_30,0) as "近30天交易订单数"
  from main_table
  
  # 定义访问天数区间和对应的分值
  visit_interval_mapping = {
  (0, 1): 1,
  (1, 3): 2,
  (4, 7): 3,
  (8, 14): 4,
  (15, 30): 5
    }
  '''
  

2.3.3 交易金额（ Monetary ）

首先我们需要将每个客户的交易金额进行汇总。形成一个累计的交易金额或者是一个特定时间窗口内的交易金额，比如一个月。然后将汇总的交易金额按照一定的规则进行分组。最后针对每个等级，计算其交易金额的占比。

  '''
  select 
  company_id as "机构id",
  company_name as "机构名称",
  coalesce(pur_amt_30,0) as "近30天交易金额"
  from main_table
  '''

第三部分：RFM 用户分群应用

3.1 用户分群选择

  '''

  # 定义函数将分值映射为标签

  def label_mapping(value, median):

  if value