快速找出高价值用户，3分钟学会RFM模型分析

在众多的客户关系管理分析模式中，应用最广泛的就是RFM模型，它可以通过一个客户的近期购买行为、购买的频率以及花了多少钱三项指标来描述客户的价值情况。

RFM模型用户分群是介于千人千面的个性化运营和未加区分粗放式运营的一种折中方式。相比于千人千面的个性化运营，基于RFM用户价值分群实现简单、开发周期短，更能从整体层面判断用户的价值。

一.什么是RFM模型？

R代表消费时间间隔（Recency），指用户最近一次发生购买行为，距离今天的天数。F代表消费频率（Frequency），指用户在一段时间内，发生购买行为的次数。M代表消费金额（Monetary），指用户在某一段时间内，购买商品金额的总和。RFM模型从三个维度评价用户的总体价值类型，根据单个类别用户的分值和总均值的关系，将用户分为如下8类。

二.如何构建RFM模型？

通过RFM就可以帮我们了解哪些是重要价值客户？哪些是需要重点保持联系的客户？哪些是重要发展客户？哪些是重要挽留客户？他们都有什么特点？接下来介绍一下如何建立RFM模型。

第一种方法是基于规则的划分，可计算全体用户平均消费频率、平均消费时间间隔、平均消费金额，对每个用户从R、F、M角度与全体用户的平均水平做比较，从各维度划分出用户的价值。

另一种方法是基于聚类方法的划分，此方法与基于规则划分方式不同，是通过“物以类聚”的思想，将每个用户的R、F、M三个维度特征数据进行聚类。通常可以采用k-means聚类的方式划分用户分群。k-means是通过计算不同样本的距离来判断它们的相近关系，将相近的样本放到同一个类别中。

具体原理如下：

对于给定的样本集，按照样本之间的距离大小，将样本集划分为K个簇。让簇内的点尽量紧密的连在一起，而让簇间的距离尽量的大。

步骤1：

随机取k个初始中心点

步骤2：

对于每个样本点计算到这k个中心点的距离，将样本点归到与之距离最小的那个中心点的簇。这样每个样本都有自己的簇了

步骤3：

对于每个簇，根据里面的所有样本点重新计算得到一个新的中心点，如果中心点发生变化回到步骤2，未发生变化转到步骤4

步骤4：

得出聚类结果

如下表是用户数据，该数据包括用户ID、消费频次、消费金额、用户最近一次消费距离今日期。

将数据上传到永洪desktop，利用自带的深度分析模块中的聚类算法可实现k-means聚类如下图：

通过上面的分析就可以获得用户的分类结果，如下：

从各人群特征可以看出，第一类人群消费时间间隔较长，消费次数较少，且消费金额低，是价值较低的用户群体，做次要运营；第二类人群消费时间间隔较短，消费次数较多，同时消费金额处于中等水平，是重点运营的用户群；第三类人群消费时间间隔最短，消费次数最多且消费金额最大，属于高价值用户群体，应做重点维护。

综合以上分析，RFM模型在产品精细化运营中发挥着重要的作用，运用RFM模型可帮助筛选目标客户群，从而带来更高的流量和订单转化。

fqj