1.1、RFM 模型引入

比如电商网站要做一次营销活动，需要针对不同价值的客户群体进行分群，对于 高价值的用户推荐手表、珠宝等高端商品，对于低价值用户推荐打折促销的廉价商品 ，当然还有以下这些问题都是需要考虑的：

• 1、谁是最佳客户？
• 2、谁即将要成为流失客户？
• 3、谁将有潜力成为有价值的客户
• 4、哪些客户能够留存？
• 5、哪些客户会对目前的活动有所反应？

那么最终的问题是如何对客户进行分群，即如何建立客户的价值模型呢？

在传统企业和电商众多的客户细分模型中， RFM模型 是被广泛提到和使用的。

RFM模型是 衡量当前用户价值和客户潜在价值 的重要工具和手段。

1.1.1、RFM 模型介绍

  RFM是 Rencency（最近一次消费），Frequency（消费频率）、Monetary（消费金额） ，三个指标首字母组合，如下所示：

1.1.1.1、一般情况下RFM模型可以说明下列几个事实：

• 1、最近购买的时间越近，用户对产品促销互动越大
  • R 越小越好
• 2、客户购买的频率越高，客户就品牌的满意度就越大
  • F 越大越好
• 3、货币价值（购买金额）将高消费客户和低消费客户区分开来
  • M 越大越好，区别高低消费用户

  根据RFM模型（业务数据：订单数据，时间范围内订单数据），就可以统计在某一段时间内，用户最近的消费间隔，消费次数和消费金额，再根据使用 K-Means算法对用户进行聚类分群 （不仅仅可以局限于这三个数据字段，还可以根据业务需求，加入其他字段，进行调整模型）：

1.1.1.2、对最近一个月内所有用户订单数据进行统计RFM值：

• 按照memberId分组：
  • R: max(finishtime)，距离当前天数
  • F：count(orderId)
  • M: sum(orderAmt)
• 使用聚合函数：
  • groupBy分组，max\count\sum函数聚合，其中使用日期处理函数

1.1.2、RFM 模型的三个指标：

• 1）、R(Recency)表示客户最近一次购买的时间有多远
• 2）、F(Frequency)表示客户在最近一段时间内购买的次数
• 3）、M (Monetary) 表示客户在最近一段时间内购买的金额。

在RFM模式中，一般的分析型CRM着重在对于客户贡献度的分析，RFM则强调以客户的行为来区分客户。

1.1.2.1、R：最近一次消费（recency）

  消费指的是 客户在店铺消费最近一次和上一次的时间间隔 ，理论上R值越小的客户是价值越高的客户，即对店铺的回购几次最有可能产生回应。

如下图，某零食网店用户最近一次消费R值分布图：

1.1.2.2、F：消费频次（frequency）

  消费频率是 客户在固定时间内的购买次数（一般是1年） 。但是如果实操中实际店铺由于受品类宽度的原因，比如卖3C产品，耐用品等即使是忠实粉丝用户也很难在1年内购买多次。所以，有些店铺在运营RFM模型时，会把F值的时间范围去掉，替换成累计购买次数。

如下图，某零食网店用户购买频次图（如1个客户在1天内购买多笔订单，则自动合并为1笔订单）：

1.1.2.3、M：消费金额（monetary）

  M值是RFM模型中相对于R值和F值最难使用，但最具有价值的指标。大家熟知的“二八定律”（又名“帕雷托法则”）曾作出过这样的解释： 公司80%的收入来自于20%的用户 。

  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，在实际项目中认为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。

现以国内某知名化妆品店铺举例，店铺平均客单为160元，因此以80元作为间隔，将累积消费金额分段，从表中可以很明显发现，累计消费160元以下用户占比为65.5%（近2/3），贡献的店铺收入比例只占31.6%（近1/3），具体如下：

1.2、RFM 实践应用

有两种方法来分析RFM模型的结果：
- 用基于RFM模型的 划分标准 来进行客户细分
- 用基于RFM模型的 客户评分 来进行客户细分。

1.2.1、客户细分

  选择RFM模型中的1-3个指标进行客户细分，如下表所示。切记细分指标需要在自己可操控的合理范围内，并非越多越好，一旦用户细分群组过多，一来会给自己的营销方案执行带来较大的难度，二来可能会遗漏用户群或者对同个用户造成多次打扰。

最终选择多少个指标有两个参考标准：店铺的客户基数，店铺的商品和客户结构。

1.2.2、目标用户

  除了直接用RFM模型对用户进行分组之外，还有一种常见的方法是 利用RFM模型的三个属性对客户进行打分，通过打分确定每个用户的质量，最终筛选出自己的目标用户 。

RFM模型评分主要有三个部分：

• 1、确定RFM三个指标的分段和每个分段的分值；
• 2、计算每个客户RFM三个指标的得分；
• 3、计算每个客户的总得分，并且根据总得分筛选出优质的客户

比如，实操的过程中一般每个指标分为3-5段，其中R值可以根据开店以来的时间和产品的回购周期来判定，F值根据现有店铺的平均购买频次，M值可参考上文客单价的分段指标。举个例子：

确认RFM的分段和对应分段的分值之后，就可以按照用户情况对应进行打分。

1.2.3、RFM 计算

如何依据RFM模型针对用户订单数据进行计算操作呢，具体分析如下所示：

1.2.3.1、RFM分析：

R-F-M分别按照5、4、3、2、1进行赋值，分别给出R_Score、F_Score、M_Score ：

1.2.3.2、用户分层（聚类方法）

  按照R_Score、F_Score、M_Score进行 用户聚类 ，采用方法为K-Means，共分8类（具体分为几类，依据实际业务情况而定），并给RFM赋予权重（目前 权重采用R:F:M =0.25:0.25:0.5 ），计算各类的用户价值。

业务流程：

• 1）、计算每个用户RFM值
• 2）、按照规则给RFM打分
• 3）、使用KMeans算法聚类分组，划分客户群体

1.3、新建标签

1.3.1、新建 业务（4级）标签 ： 客户价值标签

标签名称：客户价值
标签分类：电商-某商城-商业属性
更新周期：1天
业务含义：客户价值分为5类（依据产品或业务需求划分）
标签规则：
inType=hbase
zkHosts=chb1
zkPort=2181
hbaseTable=tbl_tag_orders
family=detail
selectFieldNames=memberid,ordersn,orderamount,finishtime
程序入口：com.chb.tags.models.ml.RfmModel
算法名称：KMEANS
算法引擎：tags-model_2.11.jar
模型参数：--driver-memory 512m --executor-memory 512m --num-executors 1 --executor-cores 1

1.3.2、新建 属性（5级）标签

属性标签插入SQL语句：

INSERT INTO `tbl_basic_tag` VALUES ('362', '高价值', null, '0', null, '5', '361', '2019-12-07 17:12:24', '2019-12-07 17:12:24', null, null);
INSERT INTO `tbl_basic_tag` VALUES ('363', '中上价值', null, '1', null, '5','361', '2019-12-07 17:12:31', '2019-12-07 17:12:31', null, null);
INSERT INTO `tbl_basic_tag` VALUES ('364', '中价值', null, '2', null, '5','361', '2019-12-07 17:12:40', '2019-12-07 17:12:40', null, null);
INSERT INTO `tbl_basic_tag` VALUES ('365', '中下价值', null, '3', null, '5','361', '2019-12-07 17:12:48', '2019-12-07 17:12:48', null, null);
INSERT INTO `tbl_basic_tag` VALUES ('366', '超低价值', null, '4', null, '5','361', '2019-12-07 17:13:05', '2019-12-07 17:13:05', null, null);

1.3.3、模型开发思路