基于RFM的客户价值分析报告
项目背景在面向客户制定运营策略、营销策略时，我们希望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分类。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。在客户分类中，RFM模型是一个经典的分类模型，模型利用通用交易环节中最核心的三个维度——最近消费(Recency)、消费频率(Frequency)、消费金额(Monetary)细分客户群体，从而分析不同群体的客户价值。
项目目标
本项目借助某电商客户数据，探讨如何对客户群体进行细分，以及细分后如何利用RFM模型对客户价值进行分析。在本项目中，主要希望实现以下三个目标：1.借助某电商客户数据，对客户进行群体分类；2.比较各细分群体的客户价值；3.对不同价值的客户制定相应的运营策略。
分析过程
1.数据预览
我们的源数据是订单表，记录着用户交易相关字段
通过数据可以发现，订单状态有交易成功和退款关闭的，检查是否还有其他情况
只有这两种情况，后续清洗中需剔除退款订单。然后观察数据类型与缺失情况
订单一共28833行，没有缺失，付款日期是时间格式，实付金额、邮费和购买数量是数值型，其他均为字符串类型
2. 数据清洗
(1)剔除退款
(2)关键字段提取：提取RFM模型所需要的买家昵称，付款时间，实付金额
(3)关键字段构造：构建模型所需的三个字段，R(最近一次购买时间间隔),F(购买频次),M(平均或累计购买金额)
首先构造R值，思路是按买家昵称分组，选取付款日期最大值
为了得到最终的R值，用今天减去每位用户最近一次付款时间，就得到R值了，这份订单是7月1日生成的，所以这里我们把“2019-7-1”当作“今天”
然后处理F,即每个用户累计购买频次( 明确一下单个用户一天内购买多次订单合并为一次订单 )
思路：引入一个精确到天的日期标签，依照“买家昵称”和“日期标签”分组，把每个用户一天内的多次下单合并，再统计购买次数
最后处理M,本案例M指用户平均支付金额，可以通过总金额除以购买频次计算出来
三个指标合并
3. 维度打分
维度确认的核心是分值确定。RFM模型中打分一般采取5分制，依据数据和业务的理解，进行分值的划分
R值依据行业经验，设置为30天一个跨度，区间左闭右开
F值和购买频次挂钩，每多购买一次，分值多加一分
M值我们按照50元的一个区间来进行划分
这一步我们确定了一个打分框架，每一个用户的每个指标，都有其对应的分值
4. 分值计算
(1)算出每个用户的R,F,M分值
(2)简化分类结果
通过判断每个客户的R,F,M值是否大于平均值，来简化分类结果。0表示小于平均值，1表示大于平均值，整体组合下来有8个分组
5.客户分层
RFM经典分层按照R,F,M每一项指标是否高于平均值，把用户划分为8类
Python实现思路如下：先定义一个人群数值，将之前判断的R,F,M是否大于均值的三个值加起来
人群数值是数值类型，位于前面的0会自动略过，比如1代表001的高消费唤回客户人群，10对应010的一般客户
然后在python中定义一个判断函数，通过判断人群数值，来返回对应的分类标签
数据解读与建议：
首先查看各类用户占比情况
然后查看不同类型客户消费金额贡献占比
最后导出数据，在tableau中数据可视化展示
通过数据可视化后，我们可以发现：
1.客户流失情况严重，高消费唤回客户，流失客户占比超过总客户的50%
2.高消费唤回客户和频次深耕客户的金额总占比约66%，这两部分客户是消费的重点客户
3.流失客户和新客户的总人数占比约38%，但金额总占比只有约13%
建议：
1.针对高消费唤回客户，流失客户采用唤回策略，推送相关信息，发礼品券等挽留客户
2.针对高消费唤回客户和频次深耕客户，考虑继续挖掘其消费特性，如喜爱购买的产品，消费的时间段，后续据此加强店铺产品与时间段的改进，最大程度留住这两部分客户
3.针对流失客户和新客户金额总占比低，建议推出一些低价产品，用来拉取新客户，保证店铺的活跃性。
RFM模型用于分析客户价值，它需要提供三项数据，分别是最近一次消费 (Recency)，消费频率 (Frequency)，和消费金额 (Monetary)。最近一次消费指研究时间点减去用户最近一次消费的时间，得到的gap时间值，单位上是天或月或周或年均可，以实际业务情况为准。消费频率是研究数据范畴内用户的消费次数，消费金额指研究数据范畴内用户的消费总计金额。
RFM的原理在于将RFM这三项数据进行分类，首先是分成1~5分计分方式，然后接着将1~5分计分方式按平均值大小分成两类群体（高价值和低价值群体）。最后RFM分别为两类群体即2*2*2=8种组合，8种组合对应着8类价值人群，最终结合此8类价值人群提供有针对性的营销策略。
SPSSAU操作如下：
SPSSAU共输出4个表格：
绛旓細5銆瀹㈡埛浠峰鎸囨爣锛氫竴涓瀹㈡埛鐨浠峰奸氬父鐢变笁閮ㄥ垎缁勬垚锛氬巻鍙蹭环鍊硷紙杩囧幓鐨勬秷璐癸級銆佹綔鍦ㄤ环鍊硷紙涓昏浠庣敤鎴疯涓烘柟闈㈣冭檻锛RFM妯″瀷涓轰富瑕佽 閲忎緷鎹級銆侀檮鍔犲硷紙涓昏浠庣敤鎴峰繝璇氬害銆佸彛纰戞帹骞跨瓑鏂归潰鑰冭檻锛夈傝繖閲屽鎴蜂环鍊兼寚鏍囧垎涓烘讳綋瀹㈡埛鎸囨爣浠ュ強鏂般佽佸鎴蜂环鍊兼寚鏍囥傝繖浜涙寚鏍囦富瑕佷粠瀹㈡埛鐨勮础鐚拰鑾峰彇鎴愭湰涓ゆ柟闈㈡潵琛￠噺銆傝濡...
绛旓細3銆佺敤鎴风殑浜ゆ槗灞炴у寘鎷敤鎴疯喘涔颁骇鍝佺殑閲戦銆佽喘涔颁簡浠涔堝晢鍝併佹槸鍚﹀姝ｅ湪鍋氱殑娲诲姩鏁忔劅锛岃繖灏辨槸灞炰簬鐢ㄦ埛鐨勪氦鏄撳睘鎬с傛垜浠兘澶熺粨鍚堢敤鎴风殑浜ゆ槗灞炴у幓鍒嗘瀽鐢ㄦ埛鐨勮喘涔拌涓恒4銆佺敤鎴风殑RFM灞炴ф牴鎹敤鎴风殑灞炴ф暟鎹垎鏋愬鐢ㄦ埛杩涜褰掔被锛岃兘澶熸洿鍔犵簿鍑嗗寲鎺ㄩ佸拰杞寲銆備富瑕佸寘鎷殑鏂归潰鏈夌敤鎴锋渶杩戜竴娆＄殑娑堣垂銆佺敤鎴峰湪鏌愪釜鏃堕棿娈...
绛旓細鐢ㄦ渶绮剧畝銆佹病鏈夋涔夌殑鏂瑰紡闃愰噴浣犵殑瑙傜偣锛屼笉瑕佽浣犺佹澘鏉ヨ垂蹇冪悊瑙ｃ佹帹娴嬩綘瑕佽〃杈剧殑鍐呭 涓嶇浣犲噯澶囦簡澶氬皯working paper锛屽彧鎶婃渶鐩稿叧銆佹渶鏈浠峰鐨勯儴鍒嗗啓鍒颁綘鐨勬姤鍛婁腑 姣忎竴椤礟PT鎴栨瘡涓娈垫枃瀛楀彧琛ㄨ揪涓涓鐐癸紝澶鐨勫唴瀹瑰彧浼氬皢鏈夌敤鐨勪俊鎭饭娌 缂栧啓鍟嗕笟鍒嗘瀽鎶ュ憡瑕佹湁鈥滃悓鐞嗗績鈥濓紝瑕佺珯鍦ㄥ惉浼楃殑瑙掑害鏉ユ濊...
绛旓細鎬荤粨涓轰笁鐐癸細棣栧厛锛屼粠璐拱鏃堕棿銆佸晢鍝併佹暟閲忋佹敮浠橀噾棰濈瓑琛屼负鏁版嵁璇勪环瀹㈡埛鐨勪环鍊銆傚叾娆★紝鍒嗘瀽娑堣垂鑰呯殑鎬у埆銆佸勾榫勩佸湴鍩熷垎甯 鏈鍚庯紝鐪嬫秷璐圭殑鐖卞ソ锛屽垎鏋愪粬浠殑鍏宠仈鏀惰棌銆佽喘涔颁俊鎭備紶缁熺嚎涓嬫笭閬撹幏鍙栨秷璐硅呬俊鎭殑鏂瑰紡涓鑸槸閫氳繃鍚戞暟鎹叕鍙歌喘涔版暟鎹紝鎴栬呭鎵樿皟鐮斿叕鍙哥粡杩囧懆瀵嗘极闀跨殑鐢ㄦ埛璋冪爺寰楀嚭涓浠鎶ュ憡銆傝岀數鍟嗘ā寮...
绛旓細涓銆佽惀閿鍒嗘瀽鐨勭粍缁囨鏋跺拰鎶鏈鏋剁粡杩囧骞寸殑淇℃伅鍖栧缓璁撅紝浼佷笟绉疮浜嗗ぇ閲忔暟鎹紝閭ｄ箞濡備綍鎵嶈兘鏇村ソ鐨勮繘琛屾暟鎹殑缁熻鍒嗘瀽鍜屾寲鎺樺伐浣滐紵閫氳繃瑙ｆ瀽涓嶅悓浼佷笟鐨勬暟鎹簲鐢ㄥ疄璺碉紝鏈妭涓庢偍鍒嗕韩钀ラ攢鏁版嵁鍒嗘瀽鐨勬讳綋妗嗘灦搴斿浣曟惌寤...1. 浠庣幇鏈夌殑鏁版嵁鑳藉垎鏋愪粈涔堬紵2. 鐜板瓨鐨勬姤鍛鏈哄埗瀛樺湪鍝簺闂3. 鏁版嵁鍒嗘瀽鐨勬妧鏈灦鏋勫拰缁勭粐...
绛旓細鏃犵嫭鏈夊伓锛屼綔涓鸿涓氶棬鎴风綉绔欑殑瑁呭鍒堕犵綉涔熷嵆灏嗗湪鏈潵鐨勫彂灞曚腑鎻愪緵鏁版嵁鍒嗘瀽鐨勫姛鑳斤紝浠庣綉绔欑殑浠嬬粛涓彲浠ョ湅鍒帮細姣忔湀浼佷笟缃戠珯涓 涓歋EO妫娴鎶ュ憡銆佸搴︿笓涓氳涓氱爺绌舵姤鍛婄瓑绛夈傛墍鏈夎繖浜涜涓氱殑鍔ㄥ悜锛岄兘鏄ず杩欎竴涓壒鐐癸細浼佷笟鏁版嵁銆佽涓氬垎鏋愩備篃鍙湁琛屼笟缃戠珯銆佺數鍟嗗钩鍙扮瓑鎷ユ湁浼佷笟鏁版嵁浼樺娍锛岃屼笖闆嗗悎鏁磋涓氫俊鎭紝骞舵湁鍒嗘瀽...
绛旓細宸窛鍒嗘瀽 绛栫暐璧勮绯荤粺 绛栫暐鏂规牸妯″瀷 CSP妯″瀷 鍒涙柊鍔ㄥ姏妯″瀷 瀹氶噺鎴樼暐璁″垝鐭╅樀 澶ф垬鐣ョ煩闃 澶氱偣绔炰簤鎴樼暐 鏉滈偊鍒嗘瀽娉 瀹氬悜鏀跨瓥鐭╅樀 寰烽瞾鍏嬩竷绉 闈╂柊鏉ユ簮 浜屽厓鏍稿績妯″紡 鏈嶅姟閲戜笁瑙 绂忓厠绾冲拰椴嶆浖鐨 椤惧鐭╅樀 绂忓厠绾冲拰椴嶆浖鐨 鐢熶骇鑰呯煩闃 FRICT绛硅祫鍒嗘瀽娉 GE鐭╅樀 鐩栨礇鏅矾寰 鍏徃灞傛垬鐣ユ鏋 楂樼骇SWOT鍒嗘瀽娉 鑲′笢浠峰煎垎鏋 渚涘簲鍜...
绛旓細Associate鏄瘮Analyst楂樹竴绾х殑鑱屼綅锛岃涔堟槸浠嶢nalyst鏅嬪崌鑰屾潵锛岃涔堟槸鍚勯噾铻嶄笓涓氶珮鏉愮敓鎴栬匔FA鎸佽瘉浜轰箣绫汇備綔涓篈nalyst鐨勫皬棰嗗锛孉ssociate浠嶇劧瑕佸仛涓浜鍒嗘瀽绫荤殑宸ヤ綔锛屼笉杩囨槸鏈夌偣鎶鏈惈閲忕殑宸ヤ綔锛岃礋璐ｆ洿澶嶆潅鐨勫缓妯°侫ssociate杩樿鏍规嵁鍏徃鎴栬呬笂绾х殑瀹夋帓锛屽垎閰嶄换鍔★紝鎵挎媴administrativework锛屽苟涓斾富瑕佽礋璐ｄ笌瀹㈡埛鐨勬矡閫氥
绛旓細鎬荤粨涓轰笁鐐癸細棣栧厛锛屼粠璐拱鏃堕棿銆佸晢鍝併佹暟閲忋佹敮浠橀噾棰濈瓑琛屼负鏁版嵁璇勪环瀹㈡埛鐨勪环鍊銆傚叾娆★紝鍒嗘瀽娑堣垂鑰呯殑鎬у埆銆佸勾榫勩佸湴鍩熷垎甯 鏈鍚庯紝鐪嬫秷璐圭殑鐖卞ソ锛屽垎鏋愪粬浠殑鍏宠仈鏀惰棌銆佽喘涔颁俊鎭備紶缁熺嚎涓嬫笭閬撹幏鍙栨秷璐硅呬俊鎭殑鏂瑰紡涓鑸槸閫氳繃鍚戞暟鎹叕鍙歌喘涔版暟鎹紝鎴栬呭鎵樿皟鐮斿叕鍙哥粡杩囧懆瀵嗘极闀跨殑鐢ㄦ埛璋冪爺寰楀嚭涓浠鎶ュ憡銆傝岀數鍟嗘ā寮...
