01、寫在前面

隨著互聯(lián)網(wǎng)流量紅利的逐漸消失，之前粗狂式的拓客和一刀切的用戶運營已經(jīng)難以為繼，越來越多的公司開始意識到，只靠燒錢圈用戶、養(yǎng)用戶成本太高，因為不是所有的用戶都需要你重點投入，金主爸爸一定要好好維護，潛力股一定要加大投入挖掘價值，而羊毛黨永遠都是你應該嚴防的對象，這就是所謂的精細化運營，錢要花在刀刃上，要花在業(yè)務和核心用戶上。

精細化運營講究的是千人千面，一千類用戶一千種運營策略，所以第一步就是要把用戶進行分類，然后才有針對性的運營策略，而用戶分類中一種尤為重要和常用的方法就是RFM。

02、什么是RFM？? ? ? ?

什么是RFM？RFM最早產(chǎn)生于電商領域，根據(jù)客戶的交易頻次和交易額衡量客戶的價值，對客戶進行細分。RFM是衡量客戶價值的三個維度，分別為R（Recency）交易間隔、F（Frequency）交易頻度、M（Monetary）交易金額組成。

R表示間隔（Recency）：也就是客戶最近一次交易距今的間隔，需要注意的是，R是

最近一次交易時間到現(xiàn)在的間隔，而不是最近一次的交易時間，R越大，表示客戶越久

未發(fā)生交易，反之R越小，表示客戶越近有交易發(fā)生。

F表示頻次（Frequency）：也就是客戶在最近一段時間內(nèi)交易的次數(shù)，一般來說

選取一個特定的時間段，F(xiàn)越大，表示客戶交易越頻繁，反之F越小，表示客戶不夠

活躍。

M表示額度（Monetary）：也在同樣的時間段內(nèi)，客戶交易的金額，M越大，表示

客戶價值越高，M越小，表示客戶價值越低。

有了以上3個維度的數(shù)據(jù)，就可以對每個用戶按照每個維度進行衡量，一般來說我們會選取一個合理的分值對R、F、M進行劃分，將3個維度分別分為高、低兩類，組合下來就是8類，也就形成了8個用戶群體。當然你說我每個維度分成3類行不行，最終分成27個用戶群體不是更精細，當然沒問題，但是我們能不能給出27種不同的運營方案，如果給不出，如此細分不就是自嗨么？畢竟，分為多少個群體不重要，每個群體都要有個性化的運營策略才重要。

下面是一張經(jīng)典RFM客戶細分模型圖，R分值、F分值和M分值三個指標構成了一個三維立方圖，在各自維度上，根據(jù)得分值又可以分為高、低兩個分類，分別用2、1表示，最終3個指標兩兩組合，就構成了8大客戶群體。

對每個用戶群體進行定性，例如R、F、M分值高的客戶為重要價值客戶，R、F、M三個分值都低的客戶為潛在客戶，其他類型客戶可以此類推解讀。

03、RFM實際案例

RFM的原理到這里就講完了，是不是很簡單？確實很簡單，但是也確實很實用，在實際的工作中是如何實施這個用戶分層模型的呢？下面我們就用一個實際的案例手把手教你如何進行RFM用戶分層。

整體來說，RFM模型實施需要以下幾個關鍵的步驟。

01、數(shù)據(jù)準備

下面通過一個實際的案例學習RFM分析的使用，案例是用python做的，當然了Excel也能做，不必糾結于工具哈，首先將數(shù)據(jù)導入到data變量，代碼如下：

import pandas

data = pandas.read_csv(

? ? 'D:/RFM分析.csv',

? ? engine='python'

可以大致看一眼data數(shù)據(jù)的樣式，如下圖所示。

可以看到，這里記錄的是客戶的每一個訂單的信息，第一列為訂單ID，第二列為客戶ID，第三列為交易日期，第四列為交易金額。

對數(shù)據(jù)進行一下加工，根據(jù)交易日期，計算出每次交易距今的間隔天數(shù)，代碼如下：

# 將交易日期處理為日期數(shù)據(jù)類型

data['DealDateTime'] = pandas.to_datetime(

? ? data.DealDateTime,

? ? format='%Y/%m/%d'

)

# 假設2015-10-1是計算當天，求交易日期至計算當天的距離天數(shù)

data['Days'] = pandas.to_datetime('2015-10-1') - data['DealDateTime']

# 從時間距離中獲取天數(shù)

data['Days'] = data['Days'].dt.days

執(zhí)行以上代碼，即可得到用戶每一次交易日期距離指定日期的天數(shù)，如下圖所示。

02、計算R、F、M

用戶的明細數(shù)據(jù)準備好后，接下來就可以計算每個客戶的最近交易間隔R、交易頻率F以及交易總額M，計算方法如下：

最近交易間隔R：使用CustomerID作為分組列，距離指定日期間隔天數(shù)Days作為

聚合列，統(tǒng)計函數(shù)使用最小值函數(shù)min，即可得到每個客戶的最近交易間隔R。

交易頻率F：使用CustomerID作為分組列，OrderID作為聚合列，統(tǒng)計函數(shù)使用計數(shù)

函數(shù)count。

交易總額M：使用CustomerID作為分組列，訂單金額Sales作為聚合列，統(tǒng)計函數(shù)使

用求和函數(shù)sum。

對應的代碼如下：

# 統(tǒng)計每個客戶距離指定日期有多久沒有消費了，即找出最小的最近消費距離

R = data.groupby(

? ? by=['CustomerID'],

? ? as_index=False

)['Days'].agg('min')

# 統(tǒng)計每個客戶交易的總次數(shù)，即對訂單ID計數(shù)

F = data.groupby(

? ? by=['CustomerID'],

? ? as_index=False

)['OrderID'].agg('count')

# 統(tǒng)計每個客戶交易的總額，即對每次的交易金額求和

M = data.groupby(

? ? by=['CustomerID'],

? ? as_index=False

)['Sales'].agg('sum')

執(zhí)行以上代碼，得到的結果如下圖所示。

接下來使用merge方法，將R、F、M三個數(shù)據(jù)在客戶CustomerID維度上關聯(lián)起來，因為它們擁有共同的列名，在這種情況下，on參數(shù)可以省略不寫，代碼如下：

# 將R、F、M三個數(shù)據(jù)框關聯(lián)，merge默認內(nèi)連接，可省略，兩表on條件的關聯(lián)列名均為CustomerID，同樣可省略

RFMData = R.merge(F).merge(M)

# 修改列名

RFMData.columns = ['CustomerID', 'R', 'F', 'M']

執(zhí)行以上代碼，得到的結果如下圖所示。

03、計算R、F、M綜合分值

每個客戶的R、F、M數(shù)據(jù)計算好后，接下來就可以對R、F、M這三個維度進行分組打分賦值，得到對應的R分值、F分值、M分值。

打分標準可以按照業(yè)務經(jīng)驗、平均值等標準進行劃分。最好是按照業(yè)務經(jīng)驗劃分，因為這里分類的的用戶是要到后面進行精細化運營的，可以通過已有的運營策略反推這里的劃分閾值，當然，如果還沒有特別清晰的運營策略，也可以采用平均值進行劃分。

本例將R、F、M三列分別按照各自的平均值劃分為高、低2個組，并分別賦值1分、2分。

R分值（R_S）：距離指定日期越近，R_S越大，R>=平均值，R_S為1，R<平均值，R_

S為2。

F分值（F_S）：定義為交易頻率越高，F(xiàn)_S越大，F(xiàn)<=平均值，F(xiàn)_S為1，F(xiàn)>平均值，F(xiàn)_

S為2。

M分值（M_S）：定義為交易金額越高，M_S越大，M<=平均值，M_S為1，M>平均值，M_S為2。

對各個用戶的RFM的數(shù)據(jù)行進行打分賦值，代碼如下：

# 判斷R列是否大于等于R列的平均值，使用loc將符合條件R_S列的值賦值為1

RFMData.loc[RFMData['R'] >= RFMData.R.mean(), 'R_S'] = 1

# 判斷R列是否小于R列的平均值，使用loc將符合條件R_S列的值賦值為2

RFMData.loc[RFMData['R'] < RFMData.R.mean(), 'R_S'] = 2

#同R_S賦值方法，對F_S、M_S進行賦值，但與R相反，F(xiàn)、M均為越大越好

RFMData.loc[RFMData['F'] <= RFMData.F.mean(), 'F_S'] = 1

RFMData.loc[RFMData['F'] > RFMData.F.mean(), 'F_S'] = 2

RFMData.loc[RFMData['M'] <= RFMData.M.mean(), 'M_S'] = 1

RFMData.loc[RFMData['M'] > RFMData.M.mean(), 'M_S'] = 2

執(zhí)行代碼，R_S、F_S、M_S的分組分值就計算出來了，如下圖所示。

基于以上得出用戶最終的RFM分層，如下圖所示。

# 計算RFM綜合分值

RFMData['RFM'] = 100*RFMData.R_S+10*RFMData.F_S+1*RFMData.M_S

執(zhí)行代碼，得到的RFM綜合分值如下圖所示。CustomerID:14568的分層為221，對應的就是一般價值用戶。

04、用戶分層

接下來結合文章開頭提到的用戶分層定義，將用戶細分為8種不同的類型。本例采用與RFM綜合分值與用戶類型的對應關系表映射的方式實現(xiàn)用戶分層。

首先將各個RFM綜合分值與用戶類型的對應關系定義為一個映射匹配表。然后再使用merge中的內(nèi)連接inner方法，將RFMData與剛定義的RFM綜合分值用戶類型的映射匹配表，根據(jù)關聯(lián)列名RFM匹配合并為一個dataframe，這樣就完成了用戶分層的操作，代碼如下：

# 定義RFM綜合分值與客戶類型的對應關系表

CustomerType = pandas.DataFrame(

? ? data={

? ? ? ? 'RFM': [111,112,121,122,211,212,221,222]

? ? ? ? 'Type': ['潛在客戶','重點挽留客戶','一般保持客戶','重點保持客戶',

? ? ? ? '一般發(fā)展客戶','重點發(fā)展客戶','一般價值客戶','高價值客戶']

? ? }

)

# 將RFMData與RFM綜合分值客戶類型的對應關系表合并為一個數(shù)據(jù)框

# merge默認內(nèi)連接，可省略，兩表on條件的關聯(lián)列名均為RFM，同樣可省略

RFMData = RFMData.merge(CustomerType)

執(zhí)行代碼，得到的數(shù)據(jù)如下圖所示。

可以看到，最后一列數(shù)據(jù)，就是對每個用戶細分的用戶分層。最后，我們來看看，每個類別的用戶數(shù)是多少，代碼如下：

# 按RFM、Type進行分組統(tǒng)計客戶數(shù)

RFMData.groupby(

? ? by=['RFM','Type']

)['CustomerID'].agg('count')

執(zhí)行代碼，就可以得到各個客戶類型的客戶數(shù)了。

后續(xù)就可以對不同的客戶群體，有針對性地采取相應運營策略進行推廣、管理，進而提升客戶價值和營收水平，限于篇幅，這里就不再展開，我們會在后續(xù)的用戶運營專題上和大家繼續(xù)討論。碼字不易，覺得不錯，歡迎分享、在看和轉(zhuǎn)發(fā)哈~