四川网站seo,重庆蜡像制作,2021年企业所得税税收优惠政策,旧版优化大师文章目录 1.1、RFM 模型引入1.1.1、RFM 模型介绍1.1.1.1、一般情况下RFM模型可以说明下列几个事实#xff1a;1.1.1.2、对最近一个月内所有用户订单数据进行统计RFM值#xff1a; 1.1.2、RFM 模型的三个指标#xff1a;1.1.2.1、R#xff1a;最近一次消费#xff08;recen… 文章目录 1.1、RFM 模型引入1.1.1、RFM 模型介绍1.1.1.1、一般情况下RFM模型可以说明下列几个事实1.1.1.2、对最近一个月内所有用户订单数据进行统计RFM值 1.1.2、RFM 模型的三个指标1.1.2.1、R最近一次消费recency1.1.2.2、F消费频次frequency1.1.2.3、M消费金额monetary 1.2、RFM 实践应用1.2.1、客户细分1.2.2、目标用户1.2.3、RFM 计算1.2.3.1、RFM分析1.2.3.2、用户分层聚类方法 1.3、新建标签1.3.1、新建 业务4级标签 客户价值标签1.3.2、新建 属性5级标签1.3.3、模型开发思路 1.1、RFM 模型引入
比如电商网站要做一次营销活动需要针对不同价值的客户群体进行分群对于 高价值的用户推荐手表、珠宝等高端商品对于低价值用户推荐打折促销的廉价商品 当然还有以下这些问题都是需要考虑的
1、谁是最佳客户2、谁即将要成为流失客户3、谁将有潜力成为有价值的客户4、哪些客户能够留存5、哪些客户会对目前的活动有所反应
那么最终的问题是如何对客户进行分群即如何建立客户的价值模型呢
在传统企业和电商众多的客户细分模型中 RFM模型 是被广泛提到和使用的。
RFM模型是 衡量当前用户价值和客户潜在价值 的重要工具和手段。
1.1.1、RFM 模型介绍 RFM是 Rencency最近一次消费Frequency消费频率、Monetary消费金额 三个指标首字母组合如下所示 1.1.1.1、一般情况下RFM模型可以说明下列几个事实
1、最近购买的时间越近用户对产品促销互动越大 R 越小越好 2、客户购买的频率越高客户就品牌的满意度就越大 F 越大越好 3、货币价值购买金额将高消费客户和低消费客户区分开来 M 越大越好区别高低消费用户 根据RFM模型业务数据订单数据时间范围内订单数据就可以统计在某一段时间内用户最近的消费间隔消费次数和消费金额再根据使用 K-Means算法对用户进行聚类分群 不仅仅可以局限于这三个数据字段还可以根据业务需求加入其他字段进行调整模型 1.1.1.2、对最近一个月内所有用户订单数据进行统计RFM值
按照memberId分组 R: max(finishtime)距离当前天数Fcount(orderId)M: sum(orderAmt) 使用聚合函数 groupBy分组max\count\sum函数聚合其中使用日期处理函数
1.1.2、RFM 模型的三个指标
1、R(Recency)表示客户最近一次购买的时间有多远2、F(Frequency)表示客户在最近一段时间内购买的次数3、M (Monetary) 表示客户在最近一段时间内购买的金额。
在RFM模式中一般的分析型CRM着重在对于客户贡献度的分析RFM则强调以客户的行为来区分客户。
1.1.2.1、R最近一次消费recency 消费指的是 客户在店铺消费最近一次和上一次的时间间隔 理论上R值越小的客户是价值越高的客户即对店铺的回购几次最有可能产生回应。
如下图某零食网店用户最近一次消费R值分布图 1.1.2.2、F消费频次frequency 消费频率是 客户在固定时间内的购买次数一般是1年 。但是如果实操中实际店铺由于受品类宽度的原因比如卖3C产品耐用品等即使是忠实粉丝用户也很难在1年内购买多次。所以有些店铺在运营RFM模型时会把F值的时间范围去掉替换成累计购买次数。
如下图某零食网店用户购买频次图如1个客户在1天内购买多笔订单则自动合并为1笔订单 1.1.2.3、M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 。 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年内的消费金额在实际项目中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。
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 1.2、RFM 实践应用
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。
1.2.1、客户细分 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二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。
1.2.2、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
1、确定RFM三个指标的分段和每个分段的分值2、计算每个客户RFM三个指标的得分3、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。
1.2.3、RFM 计算
如何依据RFM模型针对用户订单数据进行计算操作呢具体分析如下所示
1.2.3.1、RFM分析
R-F-M分别按照5、4、3、2、1进行赋值分别给出R_Score、F_Score、M_Score 1.2.3.2、用户分层聚类方法 按照R_Score、F_Score、M_Score进行 用户聚类 采用方法为K-Means共分8类具体分为几类依据实际业务情况而定并给RFM赋予权重目前 权重采用R:F:M 0.25:0.25:0.5 计算各类的用户价值。
业务流程
1、计算每个用户RFM值2、按照规则给RFM打分3、使用KMeans算法聚类分组划分客户群体
1.3、新建标签
1.3.1、新建 业务4级标签 客户价值标签
标签名称客户价值
标签分类电商-某商城-商业属性
更新周期1天
业务含义客户价值分为5类依据产品或业务需求划分
标签规则
inTypehbase
zkHostschb1
zkPort2181
hbaseTabletbl_tag_orders
familydetail
selectFieldNamesmemberid,ordersn,orderamount,finishtime
程序入口com.chb.tags.models.ml.RfmModel
算法名称KMEANS
算法引擎tags-model_2.11.jar
模型参数--driver-memory 512m --executor-memory 512m --num-executors 1 --executor-cores 1
1.3.2、新建 属性5级标签 属性标签插入SQL语句 INSERT INTO tbl_basic_tag VALUES (362, 高价值, null, 0, null, 5, 361, 2019-12-07 17:12:24, 2019-12-07 17:12:24, null, null);
INSERT INTO tbl_basic_tag VALUES (363, 中上价值, null, 1, null, 5,361, 2019-12-07 17:12:31, 2019-12-07 17:12:31, null, null);
INSERT INTO tbl_basic_tag VALUES (364, 中价值, null, 2, null, 5,361, 2019-12-07 17:12:40, 2019-12-07 17:12:40, null, null);
INSERT INTO tbl_basic_tag VALUES (365, 中下价值, null, 3, null, 5,361, 2019-12-07 17:12:48, 2019-12-07 17:12:48, null, null);
INSERT INTO tbl_basic_tag VALUES (366, 超低价值, null, 4, null, 5,361, 2019-12-07 17:13:05, 2019-12-07 17:13:05, null, null);1.3.3、模型开发思路
