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

1. 查询所有下单用户最近一次购买时间；
2. 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；
3. 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；
4. 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；
5. 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

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

RFM模型得分分布

顾客价值模型

流失用户模型分布

顾客分类模型