RFM模型引入
比如電商網站要做一次營銷活動，需要針對不同價值的客戶羣體進行分羣，對於高價值的用戶推薦手錶，珠寶等高端商品，對於低價值用戶推薦打折促銷的廉價商品，當然還有以下這些問題都是需要考慮的：
1.誰是我的最佳客戶？
2.誰即將要成爲流失客戶？
3.誰將有潛力成爲有價值的客戶
4.哪些客戶能夠留存？
5.哪些客戶會對你目前對活動有所反應？
那麼最終的問題是如何對客戶進行分羣，即如何建立客戶的價值模型呢？
在傳統企業和電商衆多的客戶細分模型中，RFM模型是被廣泛提到和使用的。
RFM模型是衡量當前用戶價值和客戶潛在價值的重要工具和手段。
RFM是
Rencency（最近一次消費），
Frequency（消費頻率）、
Monetary（消費金額），
三個指標首字母組合，如圖所示：
一般情況下RFM模型可以說明下列幾個事實：
1.最近購買的時間越近，用戶對產品促銷互動越大
2.客戶購買的頻率越高，客戶就品牌的滿意度就越大
3.貨幣價值將高消費客戶和低消費客戶區分開來
如圖所示，根據RFM模型，就可以統計在某一段時間內，用戶最近的消費間隔，消費次數和消費金額，再根據使用k-means算法對用戶進行聚類分羣
注意一點，不僅僅可以侷限於這三個數據字段，還可以根據業務需求，加入其他字段，進行調整模型。
我們可以根據RFM模型計算出所有用戶的RFM值形成一個二維表:
userid, R值, F值, M值
1 2019-11-01 5 10000
2 2019-10-01 4 800
對於以上數據的量綱不一致(單位不統一),所以要對數據進行歸一化
如何歸一化?---需要自定義歸一化的規則!即建立一個評分標準?
如何建立評分標準?----根據運營/產品的經驗,做一個標準
R: 1-3天=5分，4-6天=4分，7-9天=3分，10-15天=2分，大於16天=1分
F: ≥200=5分，150-199=4分，100-149=3分，50-99=2分，1-49=1分
M: ≥20w=5分，10-19w=4分，5-9w=3分，1-4w=2分，<1w=1分
根據上面的打分規則就可以對數據進行自定義的歸一化,得到如下類似結果:
userid, R值, F值, M值
1 5 1 2
2 1 1 1
那麼現在數據已經歸一化了,如何對數據進行分類?--肯定不能簡單的將數據直接丟到三維座標系,因爲座標系的原點不好確定,且三維座標系只能分爲8類
所以應該使用算法進行分類(聚類)--讓算法自動學習用戶之間的相似度,然後相似度高的用戶,自動聚成一類,最後完成聚類的劃分
計算流程
首先對所有用戶的最近一次消費時間/總共消費次數/總共消費金額進行統計
再進行歸一化(運營/產品提供的打分規則)
再使用算法進行聚類(K-Means)
根據聚類結果給用戶打Tag(標籤)
RFM詳解
R值：最近一次消費（Recency）
消費指的是客戶在店鋪消費最近一次和上一次的時間間隔，理論上R值越小的客戶是價值越高的客戶，即對店鋪的回購幾次最有可能產生迴應。目前網購便利，顧客已經有了更多的購買選擇和更低的購買成本，去除地域的限制因素，客戶非常容易流失，因此CRM操盤手想要提高回購率和留存率，需要時刻警惕R值。
如下圖，某零食網店用戶最近一次消費R值分佈圖：
1、客戶R值呈規律性的“波浪形”分佈，時間越長，波浪越小；
2、最近一年內用戶佔比50%（真的很巧）；
數據分析：這個數據根據向行業內專業人員請教，已經是比較理想了的。說明每引入2個客戶，就有一位用戶在持續購買。說明店鋪復購做的比較好。
F值：消費頻率（Frequency）
消費頻率是客戶在固定時間內的購買次數（一般是1年）。但是如果實操中實際店鋪由於受品類寬度的原因，比如賣3C產品，耐用品等即使是忠實粉絲用戶也很難在1年內購買多次。所以，有些店鋪在運營RFM模型時，會把F值的時間範圍去掉，替換成累計購買次數。
如下圖，某零食網店用戶購買頻次圖（如1個客戶在1天內購買多筆訂單，則自動合併爲1筆訂單）：
1、購買1次（新客戶）佔比爲65.5%，產生重複購買（老客戶）的佔比爲34.4%；
2、購買3次及以上（成熟客戶）的佔比爲17%，購買5次及以上（忠實客戶）的佔比爲6%。
數據分析：影響復購的核心因素是商品，因此復購不適合做跨類目比較。比如食品類目和美妝類目：食品是屬於“半標品”，產品的標品化程度越高，客戶背叛的難度就越小，越難形成忠實用戶；但是相對美妝，食品又屬於易耗品，消耗週期短，購買頻率高，相對容易產生重複購買，因此跨類目復購併不具有可比性。
M值：消費金額（Monetary）
M值是RFM模型中相對於R值和F值最難使用，但最具有價值的指標。大家熟知的“二八定律”（又名“帕雷託法則”）曾作出過這樣的解釋：公司80%的收入來自於20%的用戶。
這個數據我在自己所從事的公司總都得到過驗證！可能有些店鋪不會那麼精確，一般也會在30%客戶貢獻70%收入，或者40%貢獻60%收入。
理論上M值和F值是一樣的，都帶有時間範圍，指的是一段時間（通常是1年）內的消費金額，在工作中我認爲對於一般店鋪的類目而言，產品的價格帶都是比較單一的，比如：同一品牌美妝類，價格浮動範圍基本在某個特定消費羣的可接受範圍內，加上單一品類購買頻次不高，所以對於一般店鋪而言，M值對客戶細分的作用相對較弱。
所以我認爲用店鋪的累計購買金額和平均客單價替代傳統的M值能更好的體現客戶消費金額的差異。
教大家一個特別簡單的累積金額劃分方法：將1/2的客單價作爲累積消費金額的分段，比如客單價是300元，則按照150元進行累計消費金額分段，得出十個分段。
現以國內某知名化妝品店鋪舉例，店鋪平均客單爲160元，因此以80元作爲間隔將累積消費金額分段，從表中可以很明顯發現，累計消費160元以下用戶佔比爲65.5%（近2/3），貢獻的店鋪收入比例只佔31.6%（近1/3），具體如下：
基於RFM模型的實踐應用
主要有兩種方法來分析RFM模型的結果：用基於RFM模型的劃分標準來進行客戶細分，用基於RFM模型的客戶評分來進行客戶細分。
基於RFM模型進行客戶細分
CRM實操時可以選擇RFM模型中的1-3個指標進行客戶細分，如下表所示。切記細分指標需要在自己可操控的合理範圍內，並非越多越好，一旦用戶細分羣組過多，一來會給自己的營銷方案執行帶來較大的難度，而來可能會遺漏用戶羣或者對同個用戶造成多次打擾。
最終選擇多少個指標有兩個參考標準：店鋪的客戶基數，店鋪的商品和客戶結構。
店鋪的客戶基數：在店鋪客戶一定的情況下選擇的維度越多，細分出來每一組的用戶越少。對於店鋪基數不大（5萬以下客戶數）的店鋪而言，選擇1-2個維度進行細分即可。對於客戶超過50萬的大賣家而言可以選擇2-3個指標。
店鋪的商品和客戶結構：如果在店鋪的商品層次比較單一，客單價差異幅度不大的情況下，購買頻次（F值）和消費金額（M值）高度相關的情況下，可以只選擇比較容易操作的購買頻次（F值）代替消費金額（M值）。對於剛剛開店還沒形成客戶粘性的店鋪，則可以放棄購買頻次（F值），直接用最後一次消費（R值）或者消費金額（M值）。
通過RFM模型評分後輸出目標用戶
除了直接用RFM模型對用戶進行分組之外，還有一種常見的方法是利用RFM模型的三個屬性對客戶進行打分，通過打分確定每個用戶的質量，最終篩選出自己的目標用戶。
RFM模型評分主要有三個部分：
1、確定RFM三個指標的分段和每個分段的分值；
2、計算每個客戶RFM三個指標的得分；
3、計算每個客戶的總得分，並且根據總得分篩選出優質的客戶
比如，實操的過程中一般每個指標分爲3-5段，其中R值可以根據開店以來的時間和產品的回購週期來判定，F值根據現有店鋪的平均購買頻次，M值可參考上文客單價的分段指標。
舉個例子：
確認RFM的分段和對應分段的分值之後，就可以按照用戶情況對應進行打分。
這個時候可能有人會對此產生質疑，我如何驗證這個給予的分值就是合理的呢？一般使用經驗值或用算法模型進行驗證。
