小编教你数据分析实操案例（基于RFM的客户价值分析模型）

数据分析实操案例（基于RFM的客户价值分析模型）

营销管理人员经常会面临平衡公司预算与客户营销覆盖率的挑战。春节临近，正是商家的促销旺季，作为一家大型超市的市场经理，如果在既定的促销预算里，只能从60万交易会员中挑选20万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60万会员进行高低排序，并将排名靠前的20万名会员作为目录营销的主要对象。但是，这种方法所带来的最终客户响应率却并不理想。试想，有这样两位客户，一位在你的产品目录上一年消费10万元，而另一位却只消费1千元，有什么理由坚信消费10万元的客户一定比消费1千元的客户更有可能打开促销信件呢？

事实可能恰恰相反，因为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。所以，如果单一按消费金额进行客户选择，不是获得最高收入的最佳方式。

至此，大家可能多多少少可以体会到，在面向客户制定运营策略、营销策略时，我们应当针对不同的客户推行不同的策略，实现精准化运营，以期获取最大的转化率。

精准化运营的前提是客户关系管理，而客户关系管理的核心是客户分类。

在客户价值管理的分析模型中，RFM模型是应用最普遍的模型。

RFM模型通过客户分类，对客户群体进行细分，区别出低价值客户、高价值客户，对不同的客户群体开展不同的个性化服务，将有限的资源合理地分配给不同价值的客户，实现效益最大化。

但是如何判别优质客户呢，评价的数据指标是什么，各自权重如何把握，大小又如何衡量？

本文，笔者将给大家分享RFM模型的基础知识，并且手把手教你用BI工具搭建RFM分析模型。

内容大纲

1、RFM客户价值模型简介

• RFM模型为什么能成为客户价值管理“明星模型”？
• RFM模型能够解决哪些业务问题？
• RFM模型应用的典型案例
• RFM模型能够应用在哪些行业领和业务场景
• 搭建RFM需要哪些基础数据？

2、利用FineBI搭建RFM模型

• 原始数据
• RFM分箱
• 用户分类

3、RFM模型可视化DashBoard及应用

4、RFM模型的扩展

一、RFM客户价值模型简介

RFM模型为什么能成为客户价值管理里的“明星模型”？

• 客观： 利用客观的数字尺度，对客户进行简明而翔实的高水平描述。
• 简单 ：只需要客户的消费时间和消费金额两个字段，业务人员就可以在不需要信息部门或复杂软件的情况下就能有效使用它。
• 直观：这种分割方法的输出很容易理解和解释。

RFM模型能够轻松地解答你业务上的这些问题

• 谁是我最好的客户？
• 哪些客户正处于流失的边缘？
• 谁有可能转化为更有利可图的客户？
• 谁是你不需要关注的无价值客户？
• 你必须保留哪些客户？
• 谁是你的忠实客户？
• 哪些客户最有可能对当前的营销动作做出回应？

RFM模型教给你的那些典型业务决策

客户价值常氛围以下8类，也有一些业务数据分析师会将其氛围4类11类等等。

在实际操作中，可以定义：

• R：一段时间内，客户最近一次交易日期，与时间段终点越近越好
• F：一段时间内，客户交易的次数，次数越多越好
• M：一段时间内，客户的交易度量（如：金额，利润，利润率），越大越好

首先，选定客户群体的每个客户，计算上述三个指标的值。其次，从上述结果可以计算选定客户群体的三个指标的（算术）平均值。

以下，加粗的是更值得我们关注的客户群体。

RFM模型能够应用在以下行业领域和细分场景

互联网、零售、电商、银行、通信、餐饮、 交通运输、保险、证券、采购/供应商评估……

搭建RFM分析模型需要哪些数据？

3个数据库的原始字段记录：客户名称/客户ID、消费时间、消费金额。

进而整理出4个字段：

• 客户名称
• 近度（Recency，最近一次消费到当前的时间间隔）
• 频度（Frequency，最近一段时间内的消费次数）
• 额度（Monetory，最近一段时间内的消费金额总额/均额）。

二、利用FineBI搭建RFM模型

RFM搭建的原理很简单，用Excel就能搭建。但是用Excel需要写很多函数和代码，过程相对复杂。近几年，不少数据分析师已经开始用BI可视化工具来搭建这样的分析模型。

在这里推荐一个BI工具——FineBI。

FineBI是一个能快速洽搭建各种业务模型的自助式分析平台，企业级商业分析工具，常用于各种业务的数据分析。图表美观、上手简单，搭建模型也不需要很专业的数据挖掘技能。可以帮助业务人员用系统化的方法来规划、执行、测量和优化一个完整的、高度个性化的客户需求管理计划。

下面用FineBI为工具，手把手教给大家搭建RFM模型的过程。

原始数据

如上图，通过客户名称、消费时间、消费金额来处理出上次交易间隔R、交易频率F、交易金额M三个原始字段。

RFM分箱

给记录增加R、F、M三个字段，给这三个分级字段设定打分规则，然后分别算出三个字段值的过程，这个过程就叫分箱。

首先是打分级别，即可以把数据分成几层，通常为5的倍数级别，可以根据自己客户体量来调整；其次是具体打分规则，有两种：

• 简单的固定范围

如果有人在过去24小时内购买过，则将其分配5，在过去3天内，对其进行评分4，如果他们在本月内购买，则分配3，过去6个月内分配2，其他人为1。范围的阈值取决于业务的性质，由你自己定义频率和货币值的范围，更多的适用于对个人的客户。但是对于RFM分数的固定周期/范围计算存在挑战，因为随着业务的增长，分数范围可能需要经常进行调整。

• 按层次分级（AHQ分级）

如果数据饱满并且数据质量不错的话，更推荐这种分级方法，即把所有记录按照从小到大排序，然后按照大小的位置来给分。因为范围是从数据本身中挑选出来的，它们均匀分配客户并且没有跨越等级。

这里以简单的固定范围为例，来演示下用FineBI给R、F、M值分箱的过程，基本只要鼠标点击就能完成。

用户分类

各个记录有了对应的R、F、M的值后，接下来需要对各记录的R、F、M值具体判断处在所有记录中的水平高低。

1.计算参考值

要判断水平高低肯定要有一个判断标准，可以是R、F、M的平均值/中位数/以标准差校正后的值。这里以平均值为例，同样地，在FineBI也只要拖拉就可以计算出平均值。

2. 和参考值比较

和计算出的参考值进行比较，判断每个客户的得分是高于平均分还是不高于（低于等于）平均分，对应赋值为1和0表示。

3.根据和参考值比较结果进行用户分类

最终根据上述比较就会得到8个分类的结果（R2种结果*F2种结果*M2种结果=8），即按照下列分类规则对用户进行分类。

以”重要价值客户“为例，是R、F、M都大于均值的客户，其它同理。

最终得到下面RFM客户细分模型结果。

三、RFM模型可视化DashBoard及应用

RFM模型对客户进行细分的结果，其实可以开发出许多可视化数据分析模板，譬如下图用FineBI构建的一张可视化Dashboard。

客户价值分类（用的矩形树图）：是整个RFM模型的核心，直观显示了8个客户群的人数及占比，可以联动到其它组件来查看具体某客户群下的情况。

2.客户类型人数（试管型仪表盘）：显示各客户类型的具体人数

3.交易金额组成（最简单的饼图）：由于我们最关心的是各客户群的价值贡献，所以研究不同人群的交易金额占比，可以得到哪个人群的贡献值较大，对于我们的价值更大。

4.MF-R分布（散点图）：横坐标为F交易频率，纵坐标为M交易金额，点大小为R上次交易间隔。通过MF分布来直观看到客户的消费能力分布，进而通过R的大小来锁定哪些客户更为忠诚。

5.RF-M分布（散点图）：横坐标为F交易频率，纵坐标为R上次交易间隔，点大小为M交易金额。通过RF分布来直观看到客户的消费异动情况，进而通过M的大小来判断哪些客户更有必要挽回。

6.MR-F分布（散点图）：横坐标为M交易金额，纵坐标为R上次交易间隔，点大小为F交易频率。通过MR分布来直观看到客户的消费潜能情况，进而通过F的大小来挖掘更有价值的客户。

7.交易明细（分组表）：显示各客户类型下的客户交易明细。

这个DashBoard可以快速锁定我们关心的客户群体，确定他们的具体特征及名单。最后只要根据这个分析的结果来采取针对性的业务决策。

具体常用的业务决策可以参见上述“RFM模型教给你的那些典型业务决策”。

四、RFM模型的扩展

RFM模型是对客户细分的直接而强大的方法。但是，RFM模型只考虑三个具体因素也就意味着该方法可能会排除同等或更重要的其他变量（例如购买的产品，之前的活动响应，人口统计信息）。

同时，RFM营销本质上是一种历史方法：它研究过去的客户行为，这些行为可能会或可能不会准确地表明未来的活动，偏好和反应。更先进的客户细分技术基于数据预测分析技术，这些技术在预测未来客户行为时往往更为准确。

RFM是量化客户行为的简单框架。许多人已经扩展了RFM模型进行了变体：

• RFD（近度，频度，持续时间） – 此处所用时间是花费的时间。在分析观众/读者/冲浪导向产品的消费者行为时特别有用。
• RFE（近度，频度，参与度） – 参与度可以是基于页面上的时间，每次访问的页面，跳出率，社交媒体参与度等综合价值，对于在线业务尤其有用。

写在最后

RFM客户价值模型是一种有着几十年发展和应用的业务分析模型，实际上的R、F、M在进行计算时，还要进行归一化和标准化的处理。这些都是传统典型的RFM模型，尽管现在依旧在被广泛地使用，不过在发展到最新的RFM模型中，分箱和客户分类的过程都可以由工具自动完成，FineBI 5.0的数据挖掘功能也很好地支持了客户聚类分类的功能，接洽RFM模型的自动搭建，这些技术在对客户细分特征时更为准确。