RFM-Clustering

利用RFM模型建模，并通過聚類分析、分類，分別算出8中不同的價值會員

RFM模型構建會員價值標簽

R:最近一次消費(Recency)

F:消費頻率(Frequency)

M:消費金額(Monetary)

RFM的意義

在CRM中，經常會用到RFM模型分析去衡量以為會員的價值，和給企業帶來的利潤能力。這個模型是通過會員最近一次購買的時間段間隔、購買總金額，購買頻率這三個因素來描述這會會員的價值狀況。

基于RFM的零售行業會員聚類分析

因子：

R：會員到門店消費的到目前為止的時間段，當R的值越大說明，會員上一次到門店的時間越大，則R越來大，與公司的價值是成負相關的。

F：會員的消費頻率，次數越多，利益越大，與公司的價值是成正相關的。

M：會員消費的總金額，金額越大，利益越大，與公司的價值是成正相關的。

權重：

MBA百科庫中:研究邀請了被研究的某電信企業的兩位地區經理、兩位市場營銷人員和一位長期客戶應用文獻的標度含義對RFM各指標權重進行比較分析。在分別得到五位評價者的兩兩比較矩陣后,采取取平均的方法得到下表的評價矩陣。

專家評分矩陣表

RFM

R10.710.46

F1.4110.85

M2.181.181

上表所示的兩兩比較矩陣的一致性比例C。 R < 0.1, 表明該判斷矩陣的一致性可以接受。由上表得出RFM各指標相對權重為

其中M的權重最大,即專家們認為客戶交費金額的高低是影響顧客價值高低的最主要因素。

分類

目標：使用K-means算法進行會員價值聚類，并加以RFM的指標，將具有相近終身價值的會員進行聚類。

步驟

讀取數據庫中的數據(12個月)，并清洗數據；

將RFM中的三個指標，利用離差標準化將其數據標準化；

應用AHP層次分析法來獲取權重，并將各個指標加權；運用上述專家評定的評分矩陣：

其中M的權重最大，即專家認為會員交易金額的高低是影響會員價值高低的最重要因素。

根據CRM項目組的需求文案，確認聚類的類別的類別數量為K；

將每類用戶的RFM平均值和總的RFM平均值做比較，通過比較得到每類會員RFM的變動情況；

分析會員的終身價值類別 指標最小值最大值平均值標準差

近度212860.0720.191

頻度0135.981.861

值度54.431499.17704.7467216.22068

由于RFM三個指標的量綱不同，因此需要消除分布差異大的影響和量綱不同的影響。

K-means數據聚類

K-means算法是很典型的基于距離的聚類算法，采用距離作為相似性的評價指標，即認為兩個對象的距離越近，其相似度就越大。該算法認為簇是由距離靠近的對象組成的，因此把得到緊湊且獨立的簇作為最終目標。

現在使用這三個因子作為本次建模的特征值(R、F、M)，每個因子有兩個變化，高與低，由此確認K的值：

應用于每類價值的會員： RFMResult

000流失客戶

001一般維持客戶

010新客戶

011潛力客戶

100重要挽留客戶

101重要深耕客戶

110重要喚醒客戶

111重要價值客戶

算法的實現K-means in Python 在Python或Spark Milb包中，已經有對K-means、K-means++成熟的集成，詳細的聚類算法講解，我將放在文獻和附錄里面。而這里我們使用的距離公式采用默認歐的幾何公式來推算：

會員終身價值得分(特征結合)

AHP層次分析法

K-means(質心)

總得分：

其中C是每一類的質心，按照總得分來進行標簽邏輯

總結

以上是生活随笔為你收集整理的python 估值模型_利用RFM模型建模，并通过聚类分析、分类，分别算出8中不同的价值会员...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。