一、实验目的

1．通过该实验学习，使学生理解掌握RFM模型的基本概念；

2．掌握利用RFM模型对客户进行分类，区分无价值客户、高价值客户。

二、实验知识准备

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。

R:最近一次消费,是指上一次购买的时间——顾客上一次是何时来店里、什么时候买的车，或在你的超市买早餐最近的一次是什么时候。

理论上，上一次消费时间越近的顾客应该是比较好的顾客，对提供即时的商品或是服务也最有可能会有反应。营销人员若想业绩有所成长，只能靠偷取竞争对手的市场占有率，而如果要密切地注意消费者的购买行为，那么最近的一次消费就是营销人员第一个要利用的工具。历史显示，如果我们能让消费者购买，他们就会持续购买。这也就是为什么，0至3个月的顾客收到营销人员的沟通信息多于3至6个月的顾客。

F：消费频率是顾客在限定的期间内所购买的次数。我们可以说最常购买的顾客，也是满意度最高的顾客。如果相信品牌及商店忠诚度的话，最常购买的消费者，忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率，由别人的手中赚取营业额。

M：消费金额是所有数据库报告的支柱，也可以验证“帕雷托法则”(Pareto’s Law)——公司80%%的收入来自20%%的顾客。它显示出排名前10%%的顾客所花费的金额比下一个等级者多出至少2倍，占公司所有营业额的40%%以上。

理论上M值和F值是一样的，都带有时间范围，指的是一段时间（通常是1年）内的消费金额，对于一般店铺的类目而言，产品的价格带都是比较单一的，比如：同一品牌美妆类，价格浮动范围基本在某个特定消费群的可接受范围内，加上单一品类购买频次不高，所以对于一般店铺而言，M值对客户细分的作用相对较弱。

三、实验内容与步骤

实验背景: 某跨境卖家采集了近180天的客户消费记录数据。为了能更好的提高店铺的复购率，需要基于客户的交易情况等等，对客户进行细分，从而判别客户属于哪种类型，挖掘出具有发展潜能的客户，从而制定更为精准的营销策略。客户类型要求分成八类，即重要发展客户、重要价值客户、重要挽留客户、重要保持客户、一般价值客户、一般保持客户、一般发展客户、潜在客户。数据采集日期定在2018年11月8日。

1．数据准备

首先将本实训用到的数据导入【关系数据源】中，然后新建实验，保存之后从左边数据源中拖拽“关系数据源”到中间“画布区”，并在右边参数区根据自己上传数据的对应路径找到数据表，如图1所示。

图1 数据准备

执行之后，在“关系数据源”节点鼠标右键单击，选择查看输出，即可查看本数据源详细数据，如图2所示。这是某跨境卖家采集的近180天的客户消费记录数据，共667条数据。在消费交易数据中共包含28个字段，主要字段有：OrderNumber、OrderAmount、Ordertime、Paymenttime、EndTime、BuyerName、Buyer country等等。

图2 查看详细数据

2．列选择

在RFM模型中需要用到三个指标为最近一次消费间隔、消费频率和消费金额，这三项指标来描述该客户的价值状况。最近一次消费间隔，可通过“Paymenttime”和“EndTime”这两个字段进行简单计算得到该生成列；消费频率，即客户在这一年中进行购买的次数，可通过聚合思想对“BuyerName”重复出现次数进行统计计算；订单金额总额，即将数据源中的“Paymenttime”字段进行总和计算。这里我们首先使用【列选择】节点将有用字段选出来，拖拽【列选择】，如图3所示。

图3 列选择

点击右边参数区的“选择输出列”，将有用字段“OrderNumber”、“OrderAmount”、“Paymenttime”、“BuyerName”、“EndTime”选中后，点击“到右边”后确定为选择的输出列，如图4所示。

图4 选择输出列

运行成功后，右键查看输出，如图5所示。

图5 列选择输出

3．元数据编辑

基于RFM模型对指标的要求，需要通过对“Paymenttime”和“EndTime”这两个字段进行减法计算即得到生成列“Recency”，减法表达式所需字段格为“String”。因此，我们选择【元数据编辑】对“EndTime”和“BuyerName”两个字段的数据类型跟改为string类型，首先拖拽【元数据编辑】节点，如图6所示。

图6 元数据编辑

点击“元数据设置”，对相关字段的数据类型修改如图7所示。

图7 元数据设置

4．创建派生列

我们选择【派生列】添加表达式，如图8所示。

图8 派生列

应注意的是表达式的格式为datediff（string enddate,string startdate），意义为计算开始时间startdate到结束时间enddate相差的天数。派生列名为“Recency”的表达式如下图9所示，输出生成的派生列“Recency”字段如下图10所示。

注：表达式中的字段名称可通过双击左边菜单栏中对应的字段获取，输入表达式后要点击下方的“确定”按钮，直至下方出现表达式。

图9 添加派生列表达式

图10 派生列输出

5．聚合

我们选择【聚合】，将各字段根据需求进行相关聚合运算，如图11所示。

图11 聚合

聚合配置如图12所示。首先将“BuyerName”进行计数，生成的列名为“Group_ BuyerName”，之后再将“BuyerName”字段进行分组，生成列名为“Group_BuyerName”，将结果列名自定义为“Frequency”方便之后观察。

由于R值越小表示客户在该店消费的时间越近，即最近有购买行为的客户是复购可能性越高的有价值客户。于是我们将“Recency”字段进行最小值操作，生成列名为“Min_Recency”，并将其列名自定义为“Recency”。

最后我们将交易金额值进行汇总，生成列名为“Sum_OrderAmount”，将其列名自定义为“Monetary”。

图12 聚合配置

聚合结果如图13所示。

图13 聚合输出

6．RFM模型建立

完成三项指标的聚合配置后，最后一步就是运用RFM模型对进行客户分类。

在【统计分析】中选择【RFM】模型，如图14所示。

图14 “RFM”模型

进行【选择特征列】操作。注意：先选择的字段权值更大。

根据RFM指标顺序：R值、F值、M值，对应为 “Recency”字段、“Frequency”字段、“Monetary”字段，三个字段均指定为均值进行配置，如图15所示。输出结果如图16所示，划分结果生成两个标签BinaryRFMClass和RFMClass。RFM模型根据每个指标数据的均值，通过将每位客户的三个指标与均值进行比较，若对应字段取值小于均值时，权值为取0，否则取1。RFMClass为BinaryRFMClass其根据二进制取值转换成十进制取值。

图15 RFM配置

图16 RFM模型划分结果

工作流整体如图17所示。需注意的步骤为派生列、聚合和最后的RFM建模配置。理解模型指标含义和明确聚合所要达到的效果是至关重要的。

图17 工作流整体

通过将每位客户三个指标与均值进行比较，可将客户按价值细分为八种类型：高价值客户、重点保持客户、重点发展客户、重点挽留客户、一般价值客户、一般保持客户、一般发展客户、潜在客户，具体分类标准如表1所示。

表1 RFM分类表

在RFM模型分析中，我们已经得到模型划分结果，将BinaryRFMClass列的权值对应表1 RFM分类表，可得出案例中各种客户所属类型，以此挖掘出有发展潜能的客户，从而制定更为精准的营销策略。

四、实验要求

1．了解RFM模型相关概念；

2．掌握案例操作，理解模型含义。

五、思考题

1.思考客户平均客单价、客户复购周期、客户平均购买频次这三组数值在设置RFM参数时有何意义。

2.根据本案例结果，设计针对各部分客户的营销活动。