RMF客户消费行为评分模型
RMF模型说明
RMF模型是客户管理中，常被用来衡量客户价值和客户创利能力的重要方法。它主要考量三个指标：
最近一次消费-Recency：近期购买的客户倾向于再度购买
消费频率-Frequency：经常购买的客户再次购买概率高
消费金额-Monetary：消费金额较多的客户再次消费可能性更大
根据上述三个维度，对客户做细分，假定每个维度划分成五个等级，得到客户的R值（1-5），F值（1-5），M值（1-5）。那么客户就被分作5*5*5 <- 125个细分群，我们可以根据客户交易行为的差异针对不同群体做不同的推荐。
或者进一步针对不同的业务场景，对R、F、M赋予不同权重Wr、Wf、Wm，得到每个用户的得分：W=Wr*R+Wf*F+Wm*M。根据最终得分W排序，再划分等级，采用不用的营销策略。
RFM模型其实很简单，其重点应该是在：一，如何做划分，不管是针对三个维度的划分还是三个维度取不同权重的和W的划分，都要依据实际业务场景情况确定。二，针对不同的客户群如何选定合适的营销手段，这个则需要对每个客户群体有正确的解读，并且对实际业务场景理解比较深入。
R语言实现RMF
用来做分析的数据应该是一段时间里累计的客户的消费记录，每笔记录至少需要客户名称、消费时间、消费金额三个要素。
用R生成模拟随机消费记录数据。客户编号为1000-1999共100人，消费记录10000条，消费记录产生时间在2014-01-01到2015-12-29之间。
观察数据结构：
> str(sales) 'data.frame': 10000 obs. of 4 variables: $ 用户ID : int 1017 1583 1351 1013 1720 1938 1770 1319 1896 1067 ... $ 消费金额: num 157 201 228 199 302 173 131 218 191 232 ... $ 消费时间: Date, format: "2014-01-01" ... $ 距离时间: num 1565 1565 1565 1565 1565 ... > head(sales) 用户ID 消费金额 消费时间 距离时间 1 1017 157 2014-01-01 1565 2 1583 201 2014-01-01 1565 3 1351 228 2014-01-01 1565 4 1013 199 2014-01-01 1565 5 1720 302 2014-01-01 1565 6 1938 173 2014-01-01 1564
客户编号为1000-1999共100人，消费记录10000条，消费记录产生时间在2014-01-01到2015-12-29之间。
根据上述消费记录，得到Recency、Frequency、Monetary的值。
总消费金额：
sales$距离时间 <- round(as.numeric(difftime(Sys.Date(),sales[,3],units = "days")))
names(salesM) <- c("用户ID","总消费")
消费次数：
salesF <- aggregate(sales[,2],list(sales$用户ID),length)
names(salesF) <- c("用户ID","消费次数")
最近一次消费时间：
saleR <- aggregate(sales[,4],list(sales$用户ID),min)
names(salesR) <- c("用户ID","最近消费时间")
test1<- merge(salesF,salesR,"用户ID") salesRFM<- merge(salesM,test1,"用户ID")
> head(salesRFM) 用户ID 总消费 消费次数 最近消费时间 1 1000 1281 8 855 2 1001 1442 8 1019 3 1002 919 5 887 4 1003 1437 7 893 5 1004 1461 8 917 6 1005 964 7 970
根据上述说明，对三个维度每个维度划分为5个层次，做均值划分。并给R、F、M分别赋权重0.5,0.3,0.2来求客户最终得分，客户最终得分在1-5之间。
salesRFM0 <- salesRFM salesRFM0$rankR <- cut(salesRFM$Recency,5,labels=F) salesRFM0$最近消费时间 <- cut(salesRFM$Recency,5,labels=F) salesRFM0$rankR <- cut(salesRFM$最近消费时间,5,labels=F) salesRFM0$rankR <- 6- salesRFM0$rankR salesRFM0$rankF <- cut(salesRFM0$消费次数,5,labels=F) salesRFM0$rankM <- cut(salesRFM0$总消费,5,labels=F) salesRFM0$rankRMF <- 0.5*rankR + 0.3*rankF+ 0.2*rankM salesRFM0$rankRMF <- 0.5*salesRFM0$rankR+0.3*salesRFM0$rankF+0.2*salesRFM0$rankM
> head(salesRFM0) 用户ID 总消费 消费次数 最近消费时间 rankR rankF 1 1000 1281 8 855 5 2 2 1001 1442 8 1019 4 2 3 1002 919 5 887 5 1 4 1003 1437 7 893 5 2 5 1004 1461 8 917 5 2 6 1005 964 7 970 4 2 rankM rankRMF 1 2 3.5 2 2 3.0 3 1 3.0 4 2 3.5 5 2 3.5 6 1 2.8
对Receny、Frequency、Monetary标准化后，以权重权重0.5,0.3,0.2来求客户最终得分，客户最终得分在0-1之间。
> salesRFM1$rankF <- (salesRFM1$消费次数-min(salesRFM1$消费次数))/(max(salesRFM1$消费次数)-min(salesRFM1$消费次数))
> salesRFM1$rankM <- (salesRFM1$总消费)-min(salesRFM1$总消费))/(max(salesRFM1$总消费)-min(salesRFM1$总消费))
Error: unexpected ')' in "salesRFM1$rankM <- (salesRFM1$总消费)-min(salesRFM1$总消费))"
> salesRFM1$rankM <- (salesRFM1$总消费-min(salesRFM1$总消费))/(max(salesRFM1$总消费)-min(salesRFM1$总消费))
> salesRFM1$rankRMF <- 0.5*salesRFM1$rankR+03*salesRFM1$rankF+0.2*salesRFM1$rankM
> head(salesRFM1)
用户ID 总消费 消费次数 最近消费时间 rankR
1 1000 1281 8 855 0.9649805
2 1001 1442 8 1019 0.6459144
3 1002 919 5 887 0.9027237
4 1003 1437 7 893 0.8910506
5 1004 1461 8 917 0.8443580
6 1005 964 7 970 0.7412451
rankF rankM rankRMF
1 0.2777778 0.2621606 1.3682557
2 0.2777778 0.3076923 1.2178290
3 0.1111111 0.1597851 0.8166522
4 0.2222222 0.3062783 1.1734476
5 0.2777778 0.3130656 1.3181254
6 0.2222222 0.1725113 1.0717915
以上用到的权重需要根据实际情况考量选定。得到的客户评分rankRMF，是客户细分的一个参考依据，实际场景中，我们可能还有客户的其他数据，可以综合来看。
参考：
http://www.idatacamp.com/2015/10/09/r%E8%AF%AD%E8%A8%80%E5%AE%9E%E7%8E%B0rfm%E6%A8%A1%E5%9E%8B/