RFM模型用于分析客户价值，它需要提供三项数据，分别是最近一次消费 (Recency)，消费频率 (Frequency)，和消费金额 (Monetary)。最近一次消费指研究时间点减去用户最近一次消费的时间，得到的gap时间值，单位上是天或月或周或年均可，以实际业务情况为准。消费频率是研究数据范畴内用户的消费次数，消费金额指研究数据范畴内用户的消费总计金额。

RFM的原理在于将RFM这三项数据进行分类，首先是分成1~5分计分方式，然后接着将1~5分计分方式按平均值大小分成两类群体（高价值和低价值群体）。最后RFM分别为两类群体即2*2*2=8种组合，8种组合对应着8类价值人群，最终结合此8类价值人群提供有针对性的营销策略。

• 1、背景

  当前某企业从数据库中提取出100个用户购买信息，并且对数据进行汇总整理成RFM的数据格式，即一行代表一个用户，一共3列指标数据，分别是：最近一次消费时间gap值 (Recency)，消费频率 (Frequency)，和消费金额 (Monetary)。数据格式类似如下表：

  

  • 特别提示：

  • 一般情况下，最近一次消费时间gap，如果是从数据库中抽取得到，那么一般是比如“最近一次购买日期”，那么需要在EXCEL里面进行简单公式计算，得到‘最近一次消费时间gap’，即当前时间点减去最近一次消费时间。

• 2、理论

  RFM模型研究客户价值情况，最终将客户分成8个不同的类别（8种用户类型）。具体RFM模型如何将数据划分为8种类别用户上，其内部计算上分为两步；

  • 第1步是将数据转换成1~5分计分方式（转化后分值越高代表价值越高），SPSSAU默认是按20%/40%/60%/80%分位数将数据计为1~5分。SPSSAU具体计分方式如下表所示：

  标准	R分值	F分值	M分值
  < 20%分位数	5（5分）	1（1分）	1（1分）
  20%(含)~40%分位数	4（4分）	2（2分）	2（2分）
  40%(含)~60%分位数	3（3分）	3（3分）	3（3分）
  60%(含)~80%分位数	2（2分）	4（4分）	4（4分）
  >80%分位数	1（1分）	5（5分）	5（5分）

  • 第2步是将1~5分值，按分别对应的平均值进行划分，划分为0和1，数字0代表低价值群体，数字1代表高价值群体。如下表所示：

  标准	R价值类别	F价值类别	M价值类别
  < 平均值	0（低价值）	0（低价值）	0（低价值）
  >=平均值	1（高价值）	1（高价值）	1（高价值）

  • 最后将RFM的组别建立组合，共计2*2*2=8种组合，即8种用户类型，如下表：

  

  • 特别提示：

  • R这个数据，提供的原始数据时数字越大代表最近一次消费时间gap越大，即用户很久没有消费，那么数字越大其实价值越小，因此在1~5计分形式时，SPSSAU已经做了调换；

  • 如果是提供的数据已经为1~5分计分形式，那么参数上选择‘类别自动’即可；

  • 如果是提供的数据已经为0~1即两类别数据，那么参数上选择‘不处理’即可。

• 3、操作

  • 本例子SPSSAU操作截图如下：

    

    • 注意如下：

    • RFM的放置顺序不能出错，一定是先R，再F，再M；

    • 如果需要将‘用户类型’保存起来用于后续的分析使用（比如进一步深入分析性别与用户类别的关联关系），那么需要选中‘用户类型’；类似地，如果需要保存1~5分计分数据或0和1两类别数据，那么需要分别选中‘保存分值’和‘保存类别’；

    • 本次数据并非1~5分计分形式，也不是01两类别数据，因为默认让SPSSAU全自动处理即可。

• 4、SPSSAU输出结果

  SPSSAU输出四个表格，分别如下说明。

  编号	表格	说明
  1	RFM分值分布	1~5分计分数据时，分别的占比或频数
  2	RFM三项的分位数	RFM这三项，分别是分位数数据，SPSSAU就是结合此分位数数据将数据划分为1~5分计分形式
  3	RFM类别分布	划分为两个类别即高低价值群体分布，包括频数和占比
  4	RFM用户类型分布	最终2*2*2=8种用户类型时的数据分布，包括频数和占比

  如果参数选择情况不同，可能输出表格结果不完全一致。

• 5、文字分析

  RFM分值分布
  项	1分	2分	3分	4分	5分	平均分
  R（最近一次消费时间）	24.0%	16.0%	20.0%	22.0%	18.0%	2.94
  F（消费频率）	19.0%	21.0%	18.0%	22.0%	20.0%	3.03
  M（消费金额）	20.0%	20.0%	20.0%	20.0%	20.0%	3.00

  

  上表格展示RFM1~5分计分数据的分布情况，数字越大代表价值越高。由于SPSSAU默认使用20%/40%/60%/80%分位数划分为五个分值，因此每个分值的占比基本均在20%左右，并没有出现个别分值时明显的样本偏多或者偏少。

  RFM三项的分位数
  项	20%分位数	40%分位数	60%分位数	80%分位数
  R（最近一次消费时间）	20	48.4	69.2	80
  F（消费频率）	3	5.4	11	14.8
  M（消费金额）	522.6	1202.2	1684.8	2195.6

  上表格展示出20%/40%/60%/80%分位数具体数据，1~5分值数据的划分，就是由上表格的数字进行切割得到的。比如R时小于20%分位数数字20，那么计为5分，R时大于80%分位数即80时，计为1分。而F和M时，小于20%分位数均计为1分，大于80%分位数均计为5分。

  RFM类别分析
  项	低价值（0分）	高价值（1分）
  R（最近一次消费时间）	40.0%	60.0%
  F（消费频率）	58.0%	42.0%
  M（消费金额）	40.0%	60.0%

  上表格展示出划分为两组别（即高低价值）群体时的数据分布，具体如何划分是结合‘RFM分值分布’里面的平均值进行切割，比如R小于平均值2.94时计为0分，大于平均值2.94时计为1分。类似F和M也是，小于对应自己的平均值时计为0分，大于平均值时计为1分。0分代表低价值群体，1分代表高价值群体。图形展示如下：

  

  

  上表格展示最终2*2*2=8种用户类别，总体上分为重要用户和一般用户，重要用户再继续细分为重要价值用户，重要保持用户，重要发展用户和重要挽留用户。与此同时，上表格展示出8种类别用户的占比情况，并且使用图示如下：

  

  最终需要结合8种类型用户特征进行下一步的Action,一般来说如下表格说明：

  RFM基本原理说明
  R价值类别	F价值类别	M价值类别	用户类型	用户特征	Action
  高(1分)	高(1分)	高(1分)	1重要价值用户	最优质用户	应提高满意度，增加留存
  高(1分)	低(0分)	高(1分)	2重要保持用户	重要用户但购买频率低	可通过活动提高购买频率
  低(0分)	高(1分)	高(1分)	3重要发展用户	重要用户但最近不消费	触达用户防止流失
  低(0分)	低(0分)	高(1分)	4重要挽留用户	潜在价值用户	了解用户需求想办法挽留
  高(1分)	高(1分)	低(0分)	5一般价值用户	忠诚用户但消费金额低	引导其消费
  高(1分)	低(0分)	低(0分)	6一般保持用户	新用户	利用优惠吸引消费
  低(0分)	高(1分)	低(0分)	7一般发展用户	一般用户	较少关注
  低(0分)	低(0分)	低(0分)	8一般挽留用户	流失用户	较少关注

• 6、剖析

  • 特别提示：

  • RFM的内部计算上分为两步，第1步是将RFM这三项数据变成1~5分计分形式，第2步是将1~5分计分形式转换成两组别（分别用数字0和1表示）；转换成1~5分或者数字0和1后，数字的意义均变成数字越大代表价值越高。

  • 默认情况下：SPSSAU会将原始数据按照20%/40%/60%/80%分位数，自动分成5组并且计分为1~5分；内部计算上得到1~5分计分形式后，SPSSAU会进一步将数字转化成0和1两个类别（按对应的平均值）；

  • 如果是提供的数据已经为1~5分计分形式，那么参数上选择‘类别自动’即可；

  • 如果是提供的数据已经为0~1即两类别数据，那么参数上选择‘不处理’即可。

  • R这个数据，提供的原始数据时数字越大代表最近一次消费时间gap越大，即用户很久没有消费，那么数字越大其实价值越小，因此在1~5计分形式时，SPSSAU已经做了调换。