RMF模型說明

RMF模型是客戶管理中，常被用來衡量客戶價值和客戶創利能力的重要方法。它主要考量三個指標：

最近一次消費-Recency：近期購買的客戶傾向於再度購買

消費頻率-Frequency：經常購買的客戶再次購買概率高

消費金額-Monetary：消費金額較多的客戶再次消費可能性更大

根據上述三個維度，對客戶做細分，假定每個維度劃分成五個等級，得到客戶的R值（1-5），F值（1-5），M值（1-5）。那麼客戶就被分作5*5*5 <- 125個細分群，我們可以根據客戶交易行為的差異針對不同群體做不同的推薦。

或者進一步針對不同的業務場景，對R、F、M賦予不同權重Wr、Wf、Wm，得到每個使用者的得分：W=Wr*R+Wf*F+Wm*M。根據最終得分W排序，再劃分等級，採用不用的營銷策略。

RFM模型其實很簡單，其重點應該是在：一，如何做劃分，不管是針對三個維度的劃分還是三個維度取不同權重的和W的劃分，都要依據實際業務場景情況確定。二，針對不同的客戶群如何選定合適的營銷手段，這個則需要對每個客戶群體有正確的解讀，並且對實際業務場景理解比較深入。

R語言實現RMF

用來做分析的資料應該是一段時間裡累計的客戶的消費記錄，每筆記錄至少需要客戶名稱、消費時間、消費金額三個要素。

用R生成模擬隨機消費記錄資料。客戶編號為1000-1999共100人，消費記錄10000條，消費記錄產生時間在2014-01-01到2015-12-29之間。

sales <-data.frame(sample(1000:1999,replace=T,size=10000),abs(round(rnorm(10000,178,55)))+1)#隨機第一列產生使用者ID，第二列產生使用者消費資料
sales.dates<- as.Date("2014/1/1") + 728*sort(stats::runif(10000)) # runif(n,min = 0, max = 1)產生隨機數
sales<- cbind(sales,sales.dates)
names(sales)<- c("使用者ID","消費金額","消費時間")
str(sales)#檢視data.frame的格式
 

根據上述消費記錄，得到Recency、Frequency、Monetary的值。

sales$距離時間 <- round(as.numeric(difftime(Sys.Date(),sales[,3],units="days")))
salesM<- aggregate(sales[,2],list(sales$使用者ID),sum) #總消費金額
names(salesM)<- c("使用者ID","Monetization")
salesF<- aggregate(sales[,2],list(sales$使用者ID),length) #消費次數
names(salesF)<- c("使用者ID","Frequency")
salesR<- aggregate(sales[,4],list(sales$使用者ID),min) #最近一次消費時間
names(salesR)<- c("使用者ID","Recency")
test1<- merge(salesF,salesR,"使用者ID")
salesRFM<- merge(salesM,test1,"使用者ID")
 

#均值劃分
salesRFM0<- salesRFM
salesRFM0$rankR<- cut(salesRFM0$Recency, 5,labels=F)
salesRFM0$rankR<- 6-salesRFM0$rankR #rankR，5是最近，1是最遠
salesRFM0$rankF<- cut(salesRFM0$Frequency, 5,labels=F) #rankF，1是最少，5是最頻繁
salesRFM0$rankM<- cut(salesRFM0$Monetization, 5,labels=F) #rankM，1是最少，5是最多
salesRFM0$rankRMF<- 0.5*rankR + 0.3*rankF + 0.2*rankM

#標準化後劃分
salesRFM1<- salesRFM
salesRFM1$rankR<-(salesRFM1$Recency-min(salesRFM1$Recency))/(max(salesRFM1$Recency)-min(salesRFM1$Recency))
salesRFM1$rankR<- 1-salesRFM1$rankR #rankR，1是最近，0是最遠
salesRFM1$rankF<-(salesRFM1$Frequency-min(salesRFM1$Frequency))/(max(salesRFM1$Frequency)-min(salesRFM1$Frequency))#rankF，0是最少，1是最頻繁
salesRFM1$rankM<- (salesRFM1$Monetization-min(salesRFM1$Monetization))/(max(salesRFM1$Monetization)-min(salesRFM1$Monetization))#rankM，0是最少，1是最多
salesRFM1$rankRMF<- 0.5*salesRFM1$rankR + 0.3*salesRFM1$rankF + 0.2*salesRFM1$rankM

參考：

有任何問題或建議歡迎提出，轉載請註明來源!