用户分层模型及案例应用

本期主要与大家共同学习RFM用户分层模型，并通过应用K-means聚类方法分析实际餐饮用户分类案例（文末将共享数据及代码）。

本期的学习框架分享如下：

RFM模型概述

RFM模型是衡量客户价值和客户创利能力的重要工具 

R是指用户的最近一次消费时间间隔，用最通俗的话说就是，用户最后一次下单时间距今天有多长时间了，这个指标与用户流失和复购直接相关。

F是指用户下单频率，通俗一点儿就是，用户在固定的时间段内消费了几次。这个指标反映了用户的消费活跃度。

M是指用户消费金额，其实就是用户在固定的周期内在平台上花了多少钱，直接反映了用户对公司贡献的价值。

该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。RFM模型可以对客户的终生价值做一个合理的预估，基于一个理想的客户特征来衡量现实中客户价值的高低，通过此类分析，定位最有可能成为品牌忠诚客户的群体，让我们把主要精力放在最有价值的用户身上。

如何构建RFM模型

Recency、Frequency、Monetary

1.     最近一次消费 (Recency)

最近一次消费意指上一次购买的时间——用户上一次是什么时候下的单、用户上一次是什 么时候订购的服务，或在线下门店中用户上一次进店购买是什么时候。

2.     消费频率 (Frequency)

消费频率是顾客在限定的期间内所购买的次数。一般而言，最常购买的用户，也是满意度/忠诚度最高的顾客，同时也是对品牌认可度最高的用户。

3.     消费金额 (Monetary)

消费金额是电商相关业务数据库的支柱，也可以用来验证“帕雷托法则”——公司80%的收入来自20%的顾客。M值带有时间范围，指的是一段时间（通常是1年）内的消费金额。对于一般电商店铺而言，M值对客户细分的作用相对较弱（因为客单价波动幅度不大）。

我们可以通过excel或者BI工具计算出每个客户的RFM指标。

构建RFM模型的步骤

第一步，计算每个客户的RFM指标。企业可以通过CRM软件系统或者EXCEL、BI工具等分别计算出R、R、F、M的具体数值。

第二步，定义到R，F，M的度量范围。

比如下图中的我们将购买时间间隔设为0到100天，购买次数从0到6，购买金额从$0到$1200。

第三步，在RFM表格中添加我们细分的段号。

用户分层模型

我们可以简单的总结一下这个表的分布规律（表中的高低分类，是对指标的评估，并不直接代表指标的数值大小。）

【1】根据“消费金额M”这一单一指标的高、低两种标签，将客户划分为“重要”类，和 "一般”类。可见消费金额的评估权重在三个指标中最高。

【2】排名优先级最高的重要价值用户，3种指标的标签都为高。而排名优先级最低的一般挽留用户三个指标的标签都为低。

【3】发展用户的分类侧重其时间间隔指标R，也就是说近期有购买行为，但消费频率低。

【4】保持用户的分类侧重消费频率指标F，也就是说历史消费频率高，但购买行为发生离近期较远。

聚类方法

聚类方法：机器学习-K-Means聚类算法（非监督的学习算法）

算法过程：

1. 从n个样本数据中随机挑选k个对象作为初始的聚类中心。

2. 分别计算每个样本到各个聚类中心的距离，将对象分配到距离最近的聚类中。

3. 所有对象分配完成后，重新计算k个聚类的中心。

4. 与前一次计算得到的k个聚类中心比较，如果聚类中心发生变化，转至步骤2，否则转至步骤5。

5. 当质心不发生变化时，停止并输出聚类结果。

算法目的：

同一聚类内部距离最小化，不同聚类组间距离最大化。

实战案例分享

数据说明、结果分析

实战案例选取某餐饮店铺用户RFM数据：

编写环境：Anaconda- Jupyter Notebook

编写语言：Python

聚类算法输出结果如下：

不同用户的RFM聚类类别结果如下

分别绘制分群1、分群2、分群3的概率密度图结果分析：

分群1特点：R间隔较大，间隔分布在30~80天；消费次数集中在0~15次；金额在0~2000元；

分群2特点：R间隔较小，间隔分布在0~30天；消费次数集中在10~25次；金额在500~2000元；

分群3特点：R间隔较小，间隔分布在0~30天；消费次数集中在0~12次；金额在0~1800元。

数据集及代码

下载链接

数据集说明：

某餐饮某餐饮店铺用户RFM数据完整版，共942条数据

下载链接:

https://pan.baidu.com/s/1y_Lsw5OT-PtjIgFuFmghvw

提取码: s68w 复制这段内容后打开百度网盘手机App，操作更方便哦

参考资料：

如下的参考资料是在我学习的过程中挑选参考价值意义较大的，由于篇幅有限，许多理论及方法未介绍详尽，大家可以根据标题自行查阅参考

用RFM模型及K聚类方法完成用户分类

https://www.cnblogs.com/annebang/p/8697937.html

如何进行用户分层，实现精细化运营？

http://www.woshipm.com/operate/1295461.html

Sklearn聚类算法讲解

https://blog.csdn.net/ustbbsy/article/details/80960652

如何通俗易懂的理解和应用RFM分析方法？

https://www.zhihu.com/question/49439948?sort=created

解读RFM模型：定义及构建方法

https://www.jianshu.com/p/2b1aa260fa83