今日、私は従来のエンタープライズ・電気会談よりRFMモデル、多くの顧客セグメンテーションモデルについて話をしたい、RFMモデルは、広く参照され、使用されています。
A. RFMモデルの概要
RFMモデルは重要なツールと現在のネットワークユーザー値と顧客の潜在的な価値を測定する手段です。示されるようにRFMは、Rencency（最新の消費）、周波数（消費の頻度）、金融（消費量）、3つの指標の頭文字です。
1. R値：最近の消費（新しさ）
消費が小さいR値が店に数回バック買う応答する可能性が最も高い高い顧客価値の顧客である、理論的には、最近お店の最初の顧客と最後の時間間隔の消費量を指します。
現在、オンラインの顧客がより多くの地理的な制約を取り除く、選択肢と低購買コストを買ってきた、利便ショッピング、顧客は非常に簡単に失うことで、トレーダーはCRMレポレートと保持率を向上させたいので、我々は警戒R値である必要があります。
以下は、スナック店のユーザーは、最新のR-値の分布（2016年12月31日に終了した期間）を消費：
（1）定期的な顧客R値「波状」プロファイルのような、より長い時間、より小さな波。
（2）最後の年以内に、（本当に賢い）ユーザーの50％を占めます。
データ分析：データはの理想として、業界の専門家への助言に基づいています。顧客ごとに2つの命令の導入は、ユーザーが購入し続けています。良く行うことが複雑な買い物を説明ショップでは、R値は常にゼロになります。
2. F値：消費頻度（周波数）
消費の頻度は、購入の一定時間内に顧客の数（通常は年）です。原因など販売3C製品、耐久財、などの理由、の幅に対する実際のショップのカテゴリの実用的な操作はしても、ユーザーの大ファンが困難な場合でも、1年に数回を購入します。したがって、ストア動作は、一般的にRFMモデルである場合、時間値Fは、削除累積購入を置き換えます。
（その後、自動的に1つのペンの注文にまとめ、そのような一日に複数の注文を購入する顧客など、）スナックショップユーザーの購入頻度マップ、下：
（1）購入1（新規顧客）は、リピート購入（顧客）が得られ、65.5パーセントを占め、34.4パーセントを占めています。
（2）購入3回以上、17％の（顧客成熟）よりも占め、そして5回以上購入（忠実な顧客）を占め、6％です。
数据分析：影响复购的核心因素是商品，因此复购不适合做跨类目比较。比如食品类目和美妆类目：食品是属于“半标品”，产品的标品化程度越高，客户背叛的难度就越小，越难形成忠实用户；但是相对美妆，食品又属于易耗品，消耗周期短，购买频率高，相对容易产生重复购买，因此跨类目复购并不具有可比性。
3. M值：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。
这个数据我在自己所从事的公司总都得到过验证！可能有些店铺不会那么精确，一般也很会控制在30%客户贡献70%收入，或者40%贡献60%收入。
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，在工作中我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。
所以我认为用店铺的累计购买金额和平均客单价替代传统的M值能更好的体现客户消费金额的差异。
教大家一个特别简单的累积金额划分方法：将1/2的客单价作为累积消费金额的分段，比如客单价是300元，则按照150元进行累计消费金额分段，得出十个分段。
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：
二. 基于RFM模型的实践应用
作为CRM操盘手，主要有两种方法来分析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. 基于RFM模型进行客户细分
CRM实操时可以选择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，而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。
店铺的客户基数：在店铺客户一定的情况下选择的维度越多，细分出来每一组的用户越少。对于店铺基数不大（5万以下客户数）的店铺而言，选择1-2个维度进行细分即可。对于客户超过50万的大卖家而言可以选择2-3个指标。
店铺的商品和客户结构：如果在店铺的商品层次比较单一，客单价差异幅度不大的情况下，购买频次（F值）和消费金额（M值）高度相关的情况下，可以只选择比较容易操作的购买频次（F值）代替消费金额（M值）。对于刚刚开店还没形成客户粘性的店铺，则可以放弃购买频次（F值），直接用最后一次消费（R值）或者消费金额（M值）。
2. 通过RFM模型评分后输出目标用户
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：
ü 确定RFM三个指标的分段和每个分段的分值；
ü 计算每个客户RFM三个指标的得分；
ü 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。
这个时候可能有人会对此产生质疑，我如何验证这个给予的分值就是合理的呢？确实我也暂时没有办法给予和科学研究的回复，如果需要验证的话，每次对用户数据进行导入之后，需要用算法模型进行回归验证。
但是这样太复杂也太麻烦，如果有朋友感兴趣的话可以进行验证，能够根据不同店铺的情况，对于每个指标的赋值进行一个更加科学合理的定值。
End.
作者：呆呆
来源：知乎
零基础学 Python，来这里
只需7天时间，跨进Python编程大门，已有3800+加入
【基础】0基础入门python，24小时有人快速解答问题；
【提高】40多个项目实战，老手可以从真实场景中学习python；
【直播】不定期直播项目案例讲解，手把手教你如何分析项目；
【分享】优质python学习资料分享，让你在最短时间获得有价值的学习资源；圈友优质资料或学习分享，会不时给予赞赏支持，希望每个优质圈友既能赚回加入费用，也能快速成长，并享受分享与帮助他人的乐趣。
【人脉】收获一群志同道合的朋友，并且都是python从业者
【价格】本着布道思想，只需 69元 加入一个能保证学习效果的良心圈子。
【赠予】价值109元 0基础入门在线课程，免费送给圈友们，供巩固和系统化复习
