©作者 | leo

管理學中有一個重要概念那就是客戶關系管理(CRM)，它核心目的就是為了提高企業的核心競争力，通過提高企業與客戶間的交互，優化客戶管理方式，從而實現吸引新客戶、保留老客戶以及将已有客戶轉化為忠實客戶的運營機制。

而這其中最為經典的實現模型那就是RFM模型，它主要通過對每個客戶的近期消費時間，購買頻率和購買金額來對不同的客戶進行價值狀态劃分。

從而使得我們可以有針對性的對不同用戶進行個性化運營和營銷。

針對上述3個維度，我們的預期：

最近一次消費的時間(Recency)：

該維度指的是最近一次消費時間間隔(R), 也就是上一次消費的時間間隔，該值越小客戶價值越高，這是因為消費間隔越近的客戶越有可能産生二次消費。

某段時間内消費頻率次數(Frequency):

消費頻次(F)體現了客戶的購買頻率，那麼購買頻次越高，越能體現用戶的消費活躍程度，因此，客戶價值也就越高。

某段時間消費的總金額(Monetary)：

消費金額(M)這個從字面意思即可知道，用戶的消費金額越高，用戶的消費能力越強，那麼自然用戶的價值也就越高。

為了解決現存方法的缺陷，作者首次提出了将MCL、SSL和Excel是實現RFM模型的一個重要且十分直接的工具，隻需要靈活使用Excel自帶的函數就可以實現數據的彙總計算，得到RFM模型的三個指标值，從而将用戶的價值類型提取出來，讓我們有針對性的進行業務推廣策略。

接下來我們給大家演示一個用Excel實現的RFM模型：

【數據來源】

某淘寶店鋪的月份銷售數據

【分析目标】

根據現有訂單數據，構建店鋪用戶價值模型，從而為後續的精細化運營不同的客戶群體打下基礎

【數據預處理】

數據量大概有3989條，可以在excel内處理，也可以使用python對大批量的數據進行處理。

3.1 提取關鍵詞字段：

【買家會員名】、【總金額】、【訂單付款時間】、并設置對應的數據類型，我們要在同頁面進行RFM值的計算。

3.2 計算Recency, Monetary,Frequency

Recency： 通過對【買家會員名】、【總金額】、【訂單付款時間】三列數據做透視表，對訂單付款時間求最大值，即最近消費時間，然後與觀測時間進行求差運算，可得R值

Monetary：對總金額下的客戶不同消費進行平均值運算，即可獲得該客戶的M值

Frequency：對訂單付款時間進行計數運算，就是該客戶的消費頻次F值

3.3 客戶RFM模型建立

計算完客戶的R、F、M值後，接下來就可以實現客戶RFM模型的評估了。

【簡單實現】

此時可以先計算出來R、F、M三個值的平均值，然後對客戶的每個維度與該維度的平均值進行比較，如果超出平均值就是高，否則就是低。

然後将三列字段通過’&’連接符鍊接起來，生成RFM輔助列。

然後通過我們預先準備好的價值模型參考表，生成用戶價值模型。

最後通過excel的vlookup函數提取客戶類型字段到計算表中，就實現了我們的最終結果。

【計分法】

通過用戶的R、F、M值與對應值的極差(最大值與最小值的差)，來确定R-Score, F-Score,M-Score。

因此首先計算R、F、M的最大值、最小值、極差三等分距

最大值：通過“=max(B5:B1204)” 計算,（計算F時B換成C，M時B換成D即可）

最小值：通過“=min(B5:B1204)”計算（計算F時B換成C，M時B換成D即可）

極差：通過“=(F1-F2)/3”計算（計算F時F換成G，M時F換成H即可）

R-Score計算方式：在E5單元格輸入：

“=IF(ROUNDUP((B5-$F$2)/$F$3,0)=0,1,ROUNDUP((B5-$F$2)/$F$3,0)) ”

F-score和M-score計算方式類似：

“=IF(ROUNDUP((C5-$G$2)/$G$3,0)=0,1,ROUNDUP((C5-$G$2)/$G$3,0))”

“ =IF(ROUNDUP((D5-$H$2)/$H$3,0)=0,1,ROUNDUP((D5-$H$2)/$H$3,0))”

RFM-Score計算采用将R、F、M以百分位、十分位、個位組成三位數的方式實現，共有3*3*3=27種組合方式。

H5單元格的公式：“=E5*100 F5*10 G5”

下拉填充柄應用于整個列表，得到最後結果：

然後對數據表區域A4到H3996進行數據透視：彙總不同的RFM-Score對應的客戶群體。

可以采用數據條的方式直觀顯示客戶分布情況。

通過Python處理數據時，我們首先需要關注我們提取進來的數據是否需要預處理，比如數據的類型是否符合預期，字段名是否需要調整，缺失值是否需要填充，重複值是否需要去除等等，因此第一步我們首先需要對數據進行初步的熟悉了解：

4.1 熟悉數據源

常用于初步了解數據的方法有很多比如：shape(了解數據的大小，幾行幾列)，head(顯示其中的前幾條數據)，tail(顯示數據源最後幾條數據)，sample(随機提取幾條數據),info(顯示數據源的各字段數據類型)，describe(對數據源進行數學描述)。

顯示結果如下：

通過上圖我們發現交易記錄裡面會有一些無效訂單，那麼我們首先就要排除這類訂單，那麼就可以通過pandas的布爾索引來進行數據的篩選：

結果如下：

4.2 選取字段

鑒于我們僅需要買家付款時間，購買日期，實付金額這三個字段，我們僅需要對他們進行數據處理，因此可以排除其他字段。

結果如下：

缺失值處理：

4.3 RFM建模：

A. 計算R值

添加天數字段，将付款時間與觀察日期進行日期計算得到R值

運行結果如下：

B. 計算R、F、M值

通過聚合函數，對買家昵稱進行計數運算獲得消費頻次F值，計算天數字段的最小值獲得客戶的R值，通過實付金額的求和運算獲得客戶的M值。

運行結果如下：

C. 用戶價值評分

通過上述計算，我們可以根據不同的分數段來對客戶R、F、M值進行打分，就本案例來講：

R值：我們得出的最小值是660，以30天作為間隔，660-690天，打5分；690-720，打4分；720-750打3分；750-780打2分；>780，打1分。

F值：我們得出的最小值是1次，以1次作為時間間隔，0-2，打1分；2-3，打2分；3-4，打3分；4-5，打4分；>5，打5分。

M指：我們得出的最小值是0.005元，我們以500元作為時間間隔，0-50，打1分；50-100，打2分；100-150，打3分；150-200，打4分；>200，打5分。

依據上述标準建立程序方法：

運行結果：

D. 用戶标簽設定：

第一步：計算用戶R、F、M平均值：

運行結果

第二步：驗證用戶各項指标是否超出平均值，是則計一分，否則不計分。

運行結果如下：

第三步：生成用戶标簽列：

運行結果如下：

E. 可視化呈現：

柱狀圖：

運行結果如下：

通過以上數據分析工具的分析，我們可以發現在實現RFM模型的方法中，Python具有更為強大的可用性和靈活性，且擁有完備的數據分析手段，從數據預處理、分析到最後的數據呈現。

而Excel在實際工作中應用場景也是非常多見的，通過本案例可以很好的實踐Excel相關函數，希望本文對你的數據分析之旅有所幫助。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!