客户数据中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。
Recency：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。如果我们能让消费者购买，他们就有可能会持续购买。
Frenquency：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，忠诚度相对高于其它顾客。
Monetary：消费金额的意义不言而喻。
RFM分类
- 查询所有下单用户最近一次购买时间；
- 将靠前（离查询时间最近）20％标记为5，前20％－40％，标记为4，前40％－60％，标记为3，前 60％－80％，标记为2，前80％－100％，标记为1。依次类推，将此项上所有顾客分成5－1五等分；
- 查询出所有用户的消费频次及购买金额，已同样的方法划出5等并进行5－1的标记；
- 将R、F、M三项对应到单个顾客，最终每个顾客将出现一个由三个数字组成的数组；
- 将每个顾客对应的三位数相加，作为顾客价值的得分，进行标记。
顾客价值及流失监控模型
顾客价值模型
| 得分 | 顾客分类 |
|---|---|
| 14-15分 | 超优质顾客 |
| 10-13分 | 优质顾客 |
| 6-9分 | 一般顾客 |
| 3-5分 | 低贡献顾客 |
理论上来说，同等的资源投入的情况下，一名超优质顾客的回报将会是优质顾客的5倍，可以推出，在资源有限的前提下，满足顾客的顺序应该也是自上而下的
流失顾客监控模型
Paste_Image.png
由图可以看出，只有在右下象限的顾客是最需要重点关注并对其进行挽留的，顾客流失项目主要是对此类顾客进行
针对此模型，我们需要做以下功能：
- 要求系统能自动对各分店此类顾客进行自动标记；
R>3且M>3 ：高价值忠诚 R＜=3且M>3 ：高价值流失
R<=3且M<=3 ：低价值流失 R>3且M<=3 ：低价值忠诚 - 自动显示此类顾客数量及占比情况
- 能够批量查询此类顾客单个基本资料
- 查询结果可以导出
顾客分类模型
Paste_Image.png
由图可以很清楚的看出单个顾客的类型（所在象限），从而判断出对此顾客采用的营销策略
针对此模型，我们需要做以下功能：
- 要求系统能自动对各分店此类顾客进行自动标记；
F>3且M>3 ：高频次高价值 F<=3且M>3 ：低频次高价值
F<=3且M<=3 ：低频次低价值 F>3且M<=3 ：高频次低价值 - 自动显示各类顾客数量及占比情况；
- 能够批量查询此类顾客单个基本资料；
- 查询结果可以导出
平台用户情况
各项得分分布情况
| Recency | Frenquency | Monetary | |
|---|---|---|---|
| 5分 | 20.32% | 17.03% | 20% |
| 4分 | 20.50% | 19.09% | 20% |
| 3分 | 19.76% | 17.92% | 20% |
| 2分 | 19.70% | 0% | 20% |
| 1分 | 19.71 | 45.96% | 20% |
RFM模型得分分布
| 得分 | RFM |
|---|---|
| 15分 | 5.04% |
| 14分 | 5.22% |
| 13分 | 6.10% |
| 12分 | 7.75% |
| 11分 | 8.21% |
| 10分 | 8.48% |
| 9分 | 7.53% |
| 8分 | 8.73% |
| 7分 | 10.13% |
| 6分 | 10.78% |
| 5分 | 10.19% |
| 4分 | 7.31% |
| 3分 | 4.51% |
顾客价值模型
| 得分 | 顾客分类 | 百分比 |
|---|---|---|
| 14-15分 | 超优质顾客 | 10.26% |
| 10-13分 | 优质顾客 | 30.54% |
| 6-9分 | 一般顾客 | 37.17% |
| 3-5分 | 低贡献顾客 | 22% |
流失用户模型分布
| 流失用户类型 | 百分比 |
|---|---|
| 高价值忠诚 | 19.16% |
| 高价值流失 | 20.84% |
| 低价值流失 | 38.33% |
| 低价值忠诚 | 21.67% |
顾客分类模型
| 用户类型 | 百分比 |
|---|---|
| 高频词高价值 | 29.53% |
| 低频次高价值 | 10.46% |
| 低频次低价值 | 53.41% |
| 高频词低价值 | 6.59% |
