RFM模型挖掘最大价值客户-数说工作室.DOCVIP

RFM模型挖掘最大价值客户 角色假设：消费10万元的客户，是否就比消费1千元的客户价值大？ 节假日期间，是商家的促销旺季，如果作为一家大型超市的市场经理，在既定的促销预算里，只能从6万交易会员中挑选1万人进行直邮目录营销，你会如何选择？不少人往往会把客户在一定时间内的消费金额作为关键指标，对6万会员进行高低排序，并将排名靠前的1万名会员作为目录营销的主要对象。这个方法假设消费金额最大的客户，是最有价值的客户——不一定！比如，一个消费能力足够高的客户，常常会出现在多个商家的重要客户名单上，如果在短时间内，他收到多个商家的促销产品册，你的资料被随手扔进垃圾筒的概率要高得多；而消费能力低的客户受到竞争商家的影响反而小，信件的拆阅率反倒更高。虽然信件一旦被拆开，消费能力高的客户的购买金额将远远超过消费能力低的客户，但是决定你的促销最终的总收益金额将来自两类客户在信件拆阅率与支付能力的中和结果。因此到底该如何选择？——RFM模型综合考虑了一些因素。 一、RFM模型 RFM模型的目的是想构建一个综合考虑了顾客R（最近消费）、F（消费次数）、M（消费金额）的模型，来找出价值最大的客户群，以便对价值客户进行营销行为，和对其他客户的管理跟进工作。 1. RFM指标 RFM模型即利用顾客过去的消费行为：最近消费（Recency）、消费次数（Frequency）、消费金额（Monetary）来估计顾客未来消费的可能性，从而对顾客进行准确的识别和评估。 最近消费：即顾客最近一次的消费的时间。实践表明，消费时间越近的客户进行下一次 消费行为的可能性就越大。上一次消费时间越近的顾客是比较好的顾客，对提供即时的商品或是服务也最有可能会有反应。它的重要性来源于一个营销哲学：与顾客建立长期的关系不仅是卖东西，会让顾客持续保持往来，并赢得他们的忠诚度。 消费次数：即限定时期内消费者消费的次数，根据这个指标，可以把顾客分成5个等级，相当于一个“忠诚度的阶梯”（loyalty ladder），最常买的顾客，就是忠诚度最高的客户。对公司而言相对重要。消费次数与消费频率相结合的分析方法，对于顾客下次消费行为是非常有效的。 消费金额：限定时间内消费金额总和。消费金额越高的客户，对公司而言也就越重要。 2.RFM值 将RFM三个指标值进行加总，就得到每位顾客对公司企业的价值，将总方式如下： （1）对数据库的日期字段进行排序，并按照日期划分成五等分。将顾客的消费日期分别归入不同等分里。 （2）按照同样方法，再将数据库按照消费频率、消费金额排序，并找到每位顾客对于的等级。 （3）以上两个编码工作完成后，每位顾客数据库中都有一个简单的3位数，分别代表R,F,M，如552,121等。现在需要将这三个数总和成一个RFM指标，一般先将这三个值分别标准化，之后再按照一定权重加总或者乘积（或者不加权）。 （4）得到每位顾客的RFM值后，把计算结果从大到小排列，前面的20%是最好的客户，后面20%是应该关注的客户，公司应该努力使中间的60%客户向前面20%迁移。 二、案例分析 1.案例说明 某销售公司存有69215条客户的消费记录，记录了消费行为的日期、金额以及消费的客户ID号。该公司希望确定RFM得分最高的客户以便给予忠诚度奖励，以及做好其他客户的管理跟进工作。 2.数据清理 添加源节点，并读取数据。由于原文件中日期是以整数型格式储存，为使clementine能够很好的处理，必须将整数型转换成“日期”格式储存。为此，添加一个填充节点，并选择日期作为填入字段，选择始终替换，输入to_date(to_string(Date))作为替换为的值。 3.构建RFM模型 在填充节点后面添加RFM汇总节点，固定日期选择2007-06-06，作为计算最近消费的基点。ID，天，值分别选择CardID，Date，Amount。汇总节点后面添加RFM分析节点。近因、频数、货币后面分别选择相应的；选择权重，这里选择一样的权重——10；结后面选择“处于最新状态。”；“分箱阈值”选择“如果可用，从分箱值选项卡读取”，这意味着之后可以“分箱值”选项卡中对设置进行编辑。 现在就在“分箱值”选项卡中进行编辑：首先在分箱字段中选择“货币”，读取值，将所有上限和下限改成整数： 由于不需要每位客户的近因、频数、货币分别的得分（即消费次数、最近消费和消费金额），因此添加一个过滤节点，并将上面的三个全部过滤。 现在想要输出的RFM得分按照从高到底排列，还需要在过滤后面添加一个排序节点，选择RFM得分，降序。 不仅从高到低，还想要找出得分最高的10000个客户进行忠诚度奖励。在排序节点后面添加一个样本节点，设置如下： 添加一个表文件并执行，就可以查看，RFM得分了。 表中列出来的就是RFM排名前10000的客户。 数说工作室