最近在 运营课程中学习了RFM模型，又正正好在 商务智能的课程中学习了使用K-Means聚类分析实现RFM的操作。 知乎了一番后，写一下自己的学习收获（咱先起到总结作用哈）！有什么问题或者建议欢迎大家一起学习交流鸭~
主要参考：中国矿业大学电子商务专业：电子商务运营、商务智能与数据挖掘课程；知乎：猴子

RFM模型原理介绍

为什么要使用RFM模型

假设你开了一家卖早餐的小店铺。有一个月你在做财务的时候，突然发现该月收入大幅度的下降。经过分析你发现，重要的部分用户被竞争对手给挖走了。（市场经验：公司收入的80%来自顶端的20%的用户）但当你在此时采取措施的时候，已经太晚了。
从上面的小栗子我们可以看出，对于流失用户的预测和了解用户行为，对不同类型的用户采取用户细分（user segmentation）是多么的重要！那么今天我们一起来学习一下【用户细分】的简单方法之一——RFM分析方法（模型）

RMF模型原理介绍

RFM是由三个英文单词的首字母组成的，即Recency（最近一次消费时间间隔）、Frequency（一段时间内的消费频率）和Monetary（一段时间内的消费金额）（RFM分析模型介绍）
（1） 最近一次消费时间间隔（R），上一次消费离得越近，R值越小，用户价值越高。
（2） 消费频率（F），购买的频率越高，F值越大，用户价值越高
（3） 消费金额（M），消费金额越高，M值越大，用户价值越高。
每一个指标都有高-低两个值，222之后，我们得到了以下八类用户。

矩阵大家看着有点头疼，那我们来看看表格的！通俗易懂。

注意：这里的高不是指值的大小，指的是用户的价值。容易搞错的就是“R”，这里的“高”不是指其最近一次消费的时间间隔长，而是指其用户价值高（最近一次消费的时间间隔低）
简单分析一下分类：
（1） 根据消费金额的高低，分为“重要用户”和“一般用户”（果真“有钱”就是不一样）
（2） 如果R高（最近一次消费时间间隔低）、F高（一段时间内消费频率高）则是“价值用户”
（3） 如果R高（最近一次消费时间间隔低）、F低（一段时间内消费频率低）则是“发展用户”
（4） 如果R低（最近一次消费时间间隔大）、F高（一段时间内消费频率高）则是“保持用户”
（5） 如果R低（最近一次消费时间间隔大）、F低（一段时间内消费频率低）则是“挽留用户”
以上就是RFM模型的介绍，那么我们该如何将RFM模型运用到我们的运营中呢~

RFM模型用户细分

从刚开始的案例我们可知，RFM模型的目标是进行用户细分，之后对用户采取精细化的运营。那么我们粗略的看一下不同类别的用户，我们该采取什么样的运营方法吧！（为啥是粗略的？因为各个行业不同的业务采取的手段不一样啊）
（1） 重要价值用户，RFM三个值都很高，需要提供VIP服务
（2） 重要发展用户，消费频率低，但是其他两个值比较高，那么需要想办法提高他的消费频率
（3） 重要保持用户，最近消费距离现在时间比较远（F值低），但是消费频次和消费金额高。这种用户一般是一段时间没来的忠实用户，我们需要主动与他保持联系，提高复购率。
（4） 重要挽留用户，最近消费时间距离现在比较远，消费的频率也比较低，但是消费的金额比较多。这种用户，即将流失，需要主动联系，调查清楚哪里出现了问题，想办法挽留。
我们用以下的表格图来清晰的展示一下精细化运用的小思路！

RFM模型实例操作

下面我们来进行案例操作，现学现用！（“商务智能与数据挖掘”课程案例——航空公司客户价值分析）。此案例讲解分为四个部分：背景/数据介绍、RFM模型异化构建、代码实现。

背景/数据介绍

航空公司要实现精准化的用户营销，使用RMF模型进行用户细分。
以2014-03-31为结束时间，选取宽度为两年的时间段作为分析观测窗口，抽取观测窗口内有乘机记录的所有客户的详细数据形成历史数据，44个特征，总共62988条记录。数据特征及其说明如下表所示。

RFM模型异化构建

下面我们思考，要得到什么样的结果？需要运用到哪些特征？
根据RFM模型，我们思考什么特征对应R，什么特征对应F，什么特征对应M
R表示最近一次消费的时间间隔，对应的特征为“LAST_TO_END”
F表示一段时间的消费频率，对应的特征为“FLIGHT_COUNT”
M表示一段时间的消费金额，但是由于航空票价受到运输距离，舱位等级等多种因素影响，同样消费金额的不同旅客对于航空公司的价值是不同的，所以我们根据不同的业务场景对M做不同的变换。
（在现实生活中我们也需要根据业务特定的场景对指标进行变换）
本项目选择客户在一定时间内累积的飞行里程M（对应特征为“SEG_KM_SUM”）和客户在一定时间内乘坐舱位所对应的折扣系数的平均值C（对应特征为“AVG_DISCOUNT”）两个特征代替消费金额。此外，航空公司会员入会时间的长短在一定程度上能够影响客户价值，所以在模型中增加客户关系长度L(L=LOAD_TIME-FFP_DATE)，作为区分客户的另一特征。
由此，我们构建了LRFMC模型。

代码实现

下面我们使用python实现RFM模型，在Jupyter Notebook中操作。
（1）导入需要的包和库

（2）加载需要的数据集

数据集结果如下，共44个特征，60000多条数据

（3）数据预处理：我们观察到部分乘客的票价为空，根据业务情况，去除了两类空数据。

（4）构建LFRMC模型

构建模型如下：

经过观察我们发现，数据大小不一致，因为采用K-Means聚类分析，对数值大小敏感（决策树这类的概率对数值不敏感），所以需要进行数据的标准化操作。
（5）K-Means聚类分析
数据处理完之后我们进行聚类分析


聚类结果如图：

（6）对数据进行可视化操作


以上就为RFM模型的讲解与实操，大家可以根据自己的实际情况使用模型进行分析啦！生活中很多情况可以利用RFM思想进行分析。
祝大家运营之路顺利！我继续敲代码去了…