RFM模型仅仅是一个前期的探索性分析，可以利用RFM模型输出的指标结果还可以进行其他分类以及降维模型的构建，深入探索客户数据价值，挖掘潜在营销点。
RFM模型是市场营销和CRM客户管理中经常用到的探索性分析方法，透过模型深入挖掘客户行为背后的价值规律，进而更好地利用数据价值推动业务发展和客户管理。
RFM是三种客户行为的英文缩写：
R：Recency —— 客户最近一次交易时间的间隔。R值越大，表示客户交易距今越久，反之则越近；
F：Frequency—— 客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则不够活跃；
M：Monetary —— 客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则越低。
一般通过对RFM三个原始指标进行分箱操作（分位数法），获得三个指标各自的若干个水平因子（需要注意因子水平大小的对应的实际意义）。
R_S:基于最近一次交易日期计算得分，距离当前日期越近，则得分越高，否则得分越低；
F_S:基于交易频率计算得分，交易频率越高，则得分越高，否则得分越低；
M_S：基于交易金额得分，交易金额越高，则得分越高，反之得分越低。
同时为了对每个客户进行综合评价，也可将以上三个得分进行加权计算（权重规则可由专家制定或者营销人员自行根据业务决定，这里统一采用100:10:1）。RFM = 100R_S + 10F_S + 1*M_S
RFM核心便是构建在R、F、M三个指标得分构成的立方体组合内，形成一个非常直观的客户价值矩阵。
最终通过对R_S、F_S、M_S三指标的得分组合，形成八种客户价值类型，营销人员可以通过以上组合形成的客户类群，针对性的进行活动营销，进而提升客户价值和营收水平。
通过RFM分析识别优质客户，可以据此制定个性化沟通与营销服务，可以为营销决策提供更好地支持。
利用R语言构建RFM模型的简要步骤：
1、数据准备：
RFM Model
#* 最近一次消费(Recency)
#* 消费频率(Frenquency)
#* 消费金额(Monetary)
Code Part
setwd(‘D:/R/File/’)
library(‘magrittr’)
library(‘dplyr’)
library(‘scales’)
library(‘ggplot2’)
library(“easyGgplot2”)
library(“Hmisc”)
library(‘foreign’)
library(‘lubridate’)
mydata <- spss.get(“trade.sav”,datevars = ‘交易日期’,reencode = ‘GBK’)
names(mydata) <- c(‘OrderID’,‘UserID’,‘PayDate’,‘PayAmount’)
start_time <- as.POSIXct(“2017/01/01”, format="%Y/%m/%d") %>% as.numeric()
end_time <- as.POSIXct(“2017/12/31”, format="%Y/%m/%d") %>% as.numeric()
set.seed(233333)
mydata interval <- difftime(max(mydata PayDate ,units=“days”) %>% round() %>% as.numeric()
按照用户ID聚合交易频次、交易总额及首次购买时间
salesRFM <- mydata %>% group_by(UserID) %>% summarise(Monetary = sum(PayAmount), Frequency = n(), Recency = min(interval))
2、计算得分
#分箱得分
salesRFM <- mutate( salesRFM, rankR = 6- cut(salesRFM Recency, probs = seq(0, 1, 0.2),names = FALSE),include.lowest = TRUE,labels=F), rankF = cut(salesRFM Frequency, probs = seq(0, 1, 0.2),names = FALSE),include.lowest = TRUE,labels=F), rankM = cut(salesRFM Monetary, probs = seq(0, 1, 0.2),names = FALSE),include.lowest = TRUE,labels=F), rankRMF = 100rankR + 10rankF + 1*rankM)
#标准化得分（也是一种计算得分的方法）
salesRFM <- mutate(salesRFM, rankR1 = 1-rescale(salesRFM Frequency,to = c(0,1)), rankM1 = rescale(salesRFM$Monetary,to = c(0,1)), rankRMF1 = 0.5rankR + 0.3rankF + 0.2*rankM)
3、客户分类：
#对RFM分类：
salesRFM <- within(salesRFM,{R_S = ifelse(rankR > mean(rankR),2,1)
F_S = ifelse(rankF > mean(rankF),2,1)
M_S = ifelse(rankM > mean(rankM),2,1)})
#客户类型归类：
salesRFM <- within(salesRFM,{Custom = NA
Custom[R_S == 2 & F_S == 2 & M_S == 2] = ‘高价值客户’
Custom[R_S == 1 & F_S == 2 & M_S == 2] = ‘重点保持客户’
Custom[R_S == 2 & F_S == 1 & M_S == 2] = ‘重点发展客户’
Custom[R_S == 1 & F_S == 1 & M_S == 2] = ‘重点挽留客户’
Custom[R_S == 2 & F_S == 2 & M_S == 1] = ‘重点保护客户’
Custom[R_S == 1 & F_S == 2 & M_S == 1] = ‘一般保护客户’
Custom[R_S == 2 & F_S == 1 & M_S == 1] = ‘一般发展客户’
Custom[R_S == 1 & F_S == 1 & M_S == 1] = ‘潜在客户’
})
4、分析结果可视化：
4.1 查看RFM分箱后客户分布状况：
#RFM分箱计数
ggplot(salesRFM,aes(rankF)) + geom_bar()+ facet_grid(rankM~rankR) + theme_gray()
4.2 RFM热力图：
#RFM heatmap
heatmap_data <- salesRFM %>% group_by(rankF,rankR) %>% dplyr::summarize(M_mean = mean(Monetary))
ggplot(heatmap_data,aes(rankF,rankR,fill =M_mean ))+geom_tile() + scale_fill_distiller(palette = ‘RdYlGn’,direction = 1)
4.3 RFM直方图：
#RFM直方图
p1 <- ggplot(salesRFM,aes(Recency)) + geom_histogram(bins = 10,fill = ‘#362D4C’)
p2 <- ggplot(salesRFM,aes(Frequency)) + geom_histogram(bins = 10,fill = ‘#362D4C’)
p3 <- ggplot(salesRFM,aes(Monetary)) + geom_histogram(bins = 10,fill = ‘#362D4C’)
ggplot2.multiplot(p1,p2,p3, cols=3)
4.4 RFM两两交叉散点图：
#RFM 两两交叉散点图
p1 <- ggplot(salesRFM,aes(Monetary,Recency)) + geom_point(shape = 21,fill = ‘#362D4C’ ,colour = ‘white’,size = 2)
p2 <- ggplot(salesRFM,aes(Monetary,Frequency)) + geom_point(shape = 21,fill = ‘#362D4C’ ,colour = ‘white’,size = 2)
p3 <- ggplot(salesRFM,aes(Frequency,Recency)) + geom_point(shape = 21,fill = ‘#362D4C’ ,colour = ‘white’,size = 2)
ggplot2.multiplot(p1,p2,p3, cols=1)
5 数据结果导出
#导出结果数据
write.csv(salesRFM,‘salesRFM.csv’)
