下面介绍的 RFM 分析思维模型，本质上也是在研究人的行为。
1. 模型介绍
美国有一个叫 Arthur Hughes 的研究所，从客户数据库中发现了 3 个神奇的要素：
（1）Recency 最近购买时间，离得越近，价值越大。
（2）Frequency 累计购买次数，次数越多，价值越大。
（3）Monetary 累计购买金额，金额越高，价值越大。
将这 3 个要素分别按价值的高、低进行分组，从而得到 8 种不同类型的客户，分别采取不同的营销策略。
运用之前介绍过的矩阵分析模型，把 8 种类型按照 M 的高低分成两个矩阵，一个矩阵是针对重要客户的营销策略：
1重要价值客户：R 高 F 高 M 高，可以提供个性化的 VIP 服务，提升品牌的价值。
2重要发展客户：R 高 F 低 M 高，可以制订客户忠诚度培养计划，帮助他们成为重要价值客户。
3重要保持客户：R 低 F 高 M 高，可以推送个性化的激励活动，以重新建立连接，提高复购率。
4重要挽留客户：R 低 F 低 M 高，可以采取召回策略，调查问题之所在，想办法进行挽留。
5一般价值客户：R 高 F 高 M 低，可以提供优惠活动，以吸引他们提高客单价。
6一般发展客户：R 高 F 低 M 低，可以提供试用活动，以提高客户购买的兴趣。
7一般保持客户：R 低 F 高 M 低，可以改变宣传策略，以刺激客户继续购买。
8一般挽留客户：R 低 F 低 M 低，可以适当减少预算，以降低营销的成本。
2. 应用举例
以我在知识星球分享过的超市数据集为例，用 Python 实现自动读取和处理数据，对客户价值进行分类，并用条形图展现不同类型的客户数量占比。
从图中可以看出，「一般挽留客户」的占比较大，「重要发展客户」的占比较小，说明客户的忠诚度有待提升。
建议制订客户忠诚度培养计划，通过促销活动等形式，激活重要保持客户，深挖重要发展客户，吸引客户重复购买，提升客户的忠诚度，不断产生新的重要价值客户。
假设你的营销预算不多，只能给 20% 的客户提供服务，你是选择服务重要价值客户，还是选择服务一般挽留客户呢？同样的成本，不同的营销策略，带来的收益差异可能是巨大的。
下面是用 Python 进行 RFM 分析的完整代码：
# 导入所需的库import osimport numpy as npimport pandas as pdimport datetime as dtimport matplotlib.pyplot as plt# 正常显示中文标签和负号plt.rcParams["font.sans-serif"] = ["SimHei"]plt.rcParams["axes.unicode_minus"]=False# 读取 Excel 文件（公众号后台回复：超市）df_excel = pd.read_excel("../data/超市数据.xlsx")# 最近购买时间R = df_excel.pivot_table(values=["订单日期"], index="客户 ID", aggfunc=max)# 累计购买次数F = df_excel.drop_duplicates(subset=["订单 ID", "客户 ID"], keep="first").pivot_table(values=["订单 ID"], index="客户 ID", aggfunc="count")# 累计购买金额M = df_excel.pivot_table(values=["销售额"], index="客户 ID", aggfunc=sum)# 合并RFMRFM = R.join(F).join(M)# 定义列名RFM.columns = ["R", "F", "M"]# 计算间隔天数R_date = dt.datetime(2021, 2, 13)RFM["R_days"] = (R_date - RFM["R"]).dt.days# 分类标签labels = ["高", "低"]# 计算 R 分类，间隔天数越少，价值越高bins = RFM.R_days.quantile(q=np.linspace(0, 1, num=3), interpolation="nearest")RFM["R_type"] = pd.cut(RFM.R_days, bins=bins, labels=labels, include_lowest=True)# 计算 F 分类，购买次数越多，价值越高bins = RFM.F.quantile(q=np.linspace(0, 1, num=3), interpolation="nearest")RFM["F_type"] = pd.cut(RFM.F, bins=bins, labels=labels[::-1], include_lowest=True)# 计算 M 分类，购买金额越大，价值越高bins = RFM.M.quantile(q=np.linspace(0, 1, num=3), interpolation="nearest")RFM["M_type"] = pd.cut(RFM.M, bins=bins, labels=labels[::-1], include_lowest=True)# 对客户价值进行分类RFM["type"] = ""RFM.loc[(RFM["R_type"]=="高") & (RFM["F_type"] == "高") & (RFM["M_type"] == "高"), "type"] = "1重要价值客户"RFM.loc[(RFM["R_type"]=="高") & (RFM["F_type"] == "低") & (RFM["M_type"] == "高"), "type"] = "2重要发展客户"RFM.loc[(RFM["R_type"]=="低") & (RFM["F_type"] == "高") & (RFM["M_type"] == "高"), "type"] = "3重要保持客户"RFM.loc[(RFM["R_type"]=="低") & (RFM["F_type"] == "低") & (RFM["M_type"] == "高"), "type"] = "4重要挽留客户"RFM.loc[(RFM["R_type"]=="高") & (RFM["F_type"] == "高") & (RFM["M_type"] == "低"), "type"] = "5一般价值客户"RFM.loc[(RFM["R_type"]=="高") & (RFM["F_type"] == "低") & (RFM["M_type"] == "低"), "type"] = "6一般发展客户"RFM.loc[(RFM["R_type"]=="低") & (RFM["F_type"] == "高") & (RFM["M_type"] == "低"), "type"] = "7一般保持客户"RFM.loc[(RFM["R_type"]=="低") & (RFM["F_type"] == "低") & (RFM["M_type"] == "低"), "type"] = "8一般挽留客户"# 统计各类客户的数量及其占比df = RFM.pivot_table(values=["R"], index="type", aggfunc="count")df["占比"] = round(df.R/df.R.sum()*100, 2)# 用条形图展现客户价值的分布from pyecharts import options as optsfrom pyecharts.charts import Barnum = list(df.占比[::-1])lab = list(df.index[::-1])bar = ( Bar(init_opts=opts.InitOpts(width="900px", height="600px", page_title="RFM")) .add_xaxis(lab) .add_yaxis("", num) .set_colors("#00589F") # 坐标轴翻转 .reversal_axis() .set_series_opts(label_opts=opts.LabelOpts(position="right")) .set_global_opts(title_opts=opts.TitleOpts(title="RFM分析：不同类型的客户数量占比(%)")) .render("RFM.html"))如果把微信通讯录中的联系人当作客户，那么也可以运用 RFM 分析模型，管理我们的重要人脉资源，按照最近联系时间间隔 R、联系次数 F、联系深度 M 进行分类，我们可以重点关注前 4 类人：
1重要价值的人：联系多间隔短，包括亲密的家人、很好的朋友、重要的客户、领导、同事等，与他们保持良好的关系。
2重要发展的人：联系少间隔短，包括联系次数不多的朋友等，增加与他们的互动，增进感情。
3重要保持的人：联系多间隔长，包括很久没有联系过的朋友等，跟他们主动联络，保持沟通。
4重要挽留的人：联系少间隔短，包括联系次数不多，且很久没有联系过的朋友等，分析疏远的原因，并想办法努力挽回。
保持对爱的热忱，学会关心那些对你很重要的人，不要让他们变成像陌生的路人一样。
小结
RFM 分析模型，是一种客户细分的技术，原理简单易懂，几乎不用任何专业的知识，就能快速对客户进行分类，并针对不同类型的客户，制定差异化的营销策略，从而做出更加明智的决策，这反过来又能提升客户的忠诚度。
RFM 分析模型实现起来也很方便，用 Excel 就可以做，用 Python 也能做，其他分析工具基本也都可以做。
学习 RFM 分析模型，我得到的一点启发是：要重点维护好那些对自己很重要的人，这比学会用 Python 建模更重要。
End.
爱数据网专栏作者：林骥
作者介绍：数据赋能者，专注数据分析 10 多年。
个人公众号：林骥（linjiwx）
本文为挖数网专栏作者原创文章，未经允许禁止转载，需要转载请微信联系授权（微信号：lovedata0520）
更多文章前往爱数据社区网站首页浏览http://www.itongji.cn/
- 我的微信公众号
- 微信扫一扫
-
- 我的微信公众号
- 微信扫一扫
-
评论