用户体系搭建（二）——如何用RFM划定用户层级

一、前言

RFM是很传统的数据分析模型，几乎所有文章都会提到它，然而市面上RFM模型很多只是讲解了如何通过RFM解决和划定用户群体，但是很少有详细说明RFM模型的计算方式，本文讲解RFM模型的含义及应用以及如何使用SPSS计算RFM模型。

二、RFM模型解析

1、RFM模型概述

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理的分析模式中，RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。（摘自百度百科）

以上是百度百科对RFM模型的描述，说的比较复杂，简单的来讲RFM是通过统计用户最近购买时间（R），购买的次数（F），购买的金额（M）这三个维度来描述用户在群体中的位置。对于这三个维度的描述具体如下：

R（Recency）最近一次消费时间：表示用户最近一次消费距离现在的时间。消费时间越近的客户价值越大。1年前消费过的用户肯定没有1周前消费过的用户价值大。
F（Frequency）消费频率：消费频率是指用户在统计周期内购买商品的次数，经常购买的用户也就是熟客，价值肯定比偶尔来一次的客户价值大。
M（Monetary）消费金额：消费金额是指用户在统计周期内消费的总金额，体现了消费者为企业创利的多少，自然是消费越多的用户价值越大。

基于这三个维度，将每个维度分为高低两种情况，我们构建出了一个三维的坐标系。

通过图表很直观的发现，我们把客户分为了2的三次方也就是8个群体。

2、RFM模型取数方法
根据RFM模型的定义，我们可以很容易的推导出，RFM模型的数据取数内容主要包括三个字段即：最近购买时间、最近购买次数、消费金额。但是在实际工作中也会有问题是我们要计算每个用户的购买时间、购买次数费事费力，所以一般也可以通过统计订单来进行计算。
当我们通过订单进行统计时需要包含以下字段

Order_id、User_id、订单创建时间、订单金额（实付）

当我们准备好以上数据时就可以开始准备计算RFM模型

三、使用SPSS计算RFM模型

考虑不少人不是很了解SPSS，下面也将包含一些SPSS基础功能的讲解
1、设置度量标准
SPSS分为数据视图和变量视图，在开始前需要在变量视图中设置数据类型
SPSS中数据类型包括度量、名义、序号，

度量（Scale）变量：通常也称为连续变量，表示变量的值通常是连续的，无界限的，如员工收入，企业销售额等。
名义（Nominal）变量：通常也称为无序分类变量，表示变量的值是离散的，相对有限个数的，通常变量值的个数不超过 10 个，但值之间没有顺序关系的，如性别。
序号（Ordinal）变量：通常也称为有序分类变量，表示变量的值是离散的，相对有限个数的，但值之间是有顺序关系的，如教育水平取值有：1 — 8 年，2 — 10 年，3 — 15 年，这些值之间存在顺序大小关系。

2、设置变量类型及宽度
变量类型是定义该变量是何种类，点击类型弹出变量类型选择弹窗

宽度定义变量的展示位数，对于Order_id、User_id等需要注意变量长度，让这两个字段完全展示。
另外对于，Create_time这一字段应选用日期这一类型并选择yyyy:mm:dd

我们可以直接将excel里的数据直接复制过来。
4、选择分析模型分析
Step1：选择分析模型
完成数据准备后选择 直销——RFM分析，不同汉化版本翻译可能稍有不同

Step2：选择数据格式
由于我们使用的是订单记录，所以我们选用交易数据

RFM分箱计数，用来查看每个RFM汇总分值的客户数量分布是防均匀，如果分布不均匀，可以根据实际需要调整分箱数。
RFM交叉表，是将RFM分箱计数以交叉表的形式展现。
RFM热图，是将交易额均值在RS、FS绘制的矩阵图上图形化表示，颜色深，说明相应矩阵块的客户交易额均值越高。
RFM直方图，显示最近一次交易时间、交易总次数、交易金额的频率分布。
最近交易时间、交易总次数、交易金额之间的散点图，可清晰直观看三个分析指标两两之间的关系。
个案处理摘要，显示本次分析的客户总数、缺失值的信息。

Stpe4:SPSS执行RFM分析

SPSS完成分析后，会生成一个新的数据文件，记录每个客户的最近一次交易日期、交易总次数、交易总金额、RS/FS/MS分值、RFM汇总分值。
RFM汇总分值=RS分值100+FS分值10+MS分值。

选用分析—描述统计——描述这一方法计算RS\FS\MS均值

最终可得如下结果

选择"重新编码为不同变量"，先对客户的RS进行高低转化。

依据上表，逐个设置各客户类型所对应的数据规则。

设置客户类型=1的数据规则，操作如下：

重复以上操作设定不同数据类型
最后将将客户类型编码1、2、3、4、5、6、7、8转换成实际客户类型：

最终，可得出如下结果