基本概念
RFM代表Recency(最近一次消费的时间)、Frequency(消费频率)、Monetary(消费金额)，是衡量当前客户价值和进行客户分层的重要工具。将RFM组合在一起，可以勾画出一个客户的整体轮廓，就可以对客户的价值进行分组。企业就可以对不同分类的客户采取不同的运营管理策略，例如识别哪些客户更有可能对促销做出响应，哪些客户近期有流失的风险。
Rencency，客户自上次消费以来的天数。
-
代表客户的活跃度或者流失风险。
-
刚购买过的客户，很有可能由于粘性的作用再次购买。
-
R值越大，表示客户距离上一次消费时间越长，需要进行唤醒。
Frequency，客户在某个时间范围内购买的次数。
-
代表客户的忠诚度。
-
购买频次越高，客户消费活跃度越高，客户价值也就越高。
-
F值越低 ，表示客户消费频率越低，需要激活客户进行消费。
Monetary，客户在一段时间内消费的总金额。
-
代表客户的购买量和金额贡献。
-
金额贡献大的客户是关键客户，需要把优质的服务和资源分配给她们。
-
M值越大，表示客户消费金额越多，可以尝试返利活动。
模型价值
按照R、F、M值的高低可以将客户分成8类。这样分类的业务含义简单、清晰，有助于市场和销售去执行运营策略。
RFM模型实现步骤
1. 观察分析数据源，确定RFM分层规则。
2. 计算每个客户的RFM值，并根据RFM分层规则对R、F、M值进行分层。
3. 把R、F、M三个维度的标签综合起来，确定客户的RFM价值标签。
4. 结合客户RFM价值标签，采取针对性的运营策略。或做进一步的分析，例如客户的商品分析。
RFM分层方法
平均值法：
1)计算客户的RFM值。例如：客户A的R值为3个月。
2)计算所有客户的RFM平均值。例如：所有客户的R平均值为3.3个月。
3)比较该客户的RFM值和所有客户的RFM平均值，判断该客户的RFM值是高还是低。例如：客户A的R值为3个月，比R平均值3.3个月低，则判断客户A的R值为高。
二八原则法：
1)和平均值法的实现步骤类似，区别是评判标准为RFM值较高的20%客户为重要客户。
2)例如：80%客户的M值在1000元以内，则M值≤1000的客户M值为低，M值>1000的客户M值为高。
曲线观察法：
1) 绘制整体客户的RFM值分布图。
2) 若为正态分布，则曲线一侧的客户RFM值为高，另一侧为低。
记分法：
1)定义RFM值打分标准。例如：最近一次消费时间为1个月，R值5分；2个月4分；3个月3分；4个月2分；5个月及以上1分。
2)根据客户的RFM值分组计算客户RFM得分。例如：客户A最近一次消费时间为3个月，R值得分为3分。
3)计算所有客户的RFM得分平均值。例如：所有客户的R平均得分为3.3分
4)判断客户的RFM值是高还是低。例如：客户A的R值得分为3分，比R平均得分低，则R值为低。
聚类算法：
1）聚类是一种机器学习算法。聚类就是让机器把数据集中的样本按照特征进行分组。
2) 聚类算法和记分法的实现步骤类似。唯一区别是使用聚类算法是通过算法根据客户的RFM值将客户分成几组，而不是人为去定义RFM分层标准。
版权声明及安全提醒：本文转自网络平台，文章仅代表作者观点，不代表「金融文库」立场。相关版权归原作者所有，「金融文库」仅提供免费交流与学习，相关内容与材料请勿用于商业。我们感谢每一位原创作者的辛苦付出与创作，如本转载内容涉及版权及侵权问题，请及时联系我们客服处理（微信号：JRwenku8），谢谢！
