©作者 | leo
管理学中有一个重要概念那就是客户关系管理(CRM)，它核心目的就是为了提高企业的核心竞争力，通过提高企业与客户间的交互，优化客户管理方式，从而实现吸引新客户、保留老客户以及将已有客户转化为忠实客户的运营机制。
而这其中最为经典的实现模型那就是RFM模型，它主要通过对每个客户的近期消费时间，购买频率和购买金额来对不同的客户进行价值状态划分。
从而使得我们可以有针对性的对不同用户进行个性化运营和营销。
01 RFM模型核心维度针对上述3个维度，我们的预期：
最近一次消费的时间(Recency)：
该维度指的是最近一次消费时间间隔(R), 也就是上一次消费的时间间隔，该值越小客户价值越高，这是因为消费间隔越近的客户越有可能产生二次消费。
某段时间内消费频率次数(Frequency):
消费频次(F)体现了客户的购买频率，那么购买频次越高，越能体现用户的消费活跃程度，因此，客户价值也就越高。
某段时间消费的总金额(Monetary)：
消费金额(M)这个从字面意思即可知道，用户的消费金额越高，用户的消费能力越强，那么自然用户的价值也就越高。
02 RFM划分用户类型及对应运营策略
为了解决现存方法的缺陷，作者首次提出了将MCL、SSL和Excel是实现RFM模型的一个重要且十分直接的工具，只需要灵活使用Excel自带的函数就可以实现数据的汇总计算，得到RFM模型的三个指标值，从而将用户的价值类型提取出来，让我们有针对性的进行业务推广策略。
接下来我们给大家演示一个用Excel实现的RFM模型：
【数据来源】
某淘宝店铺的月份销售数据
【分析目标】
根据现有订单数据，构建店铺用户价值模型，从而为后续的精细化运营不同的客户群体打下基础
【数据预处理】
数据量大概有3989条，可以在excel内处理，也可以使用python对大批量的数据进行处理。
3.1 提取关键词字段：
【买家会员名】、【总金额】、【订单付款时间】、并设置对应的数据类型，我们要在同页面进行RFM值的计算。
3.2 计算Recency, Monetary,Frequency
Recency： 通过对【买家会员名】、【总金额】、【订单付款时间】三列数据做透视表，对订单付款时间求最大值，即最近消费时间，然后与观测时间进行求差运算，可得R值
Monetary：对总金额下的客户不同消费进行平均值运算，即可获得该客户的M值
Frequency：对订单付款时间进行计数运算，就是该客户的消费频次F值
3.3 客户RFM模型建立
计算完客户的R、F、M值后，接下来就可以实现客户RFM模型的评估了。
【简单实现】
此时可以先计算出来R、F、M三个值的平均值，然后对客户的每个维度与该维度的平均值进行比较，如果超出平均值就是高，否则就是低。
然后将三列字段通过’&’连接符链接起来，生成RFM辅助列。
然后通过我们预先准备好的价值模型参考表，生成用户价值模型。
最后通过excel的vlookup函数提取客户类型字段到计算表中，就实现了我们的最终结果。
【计分法】
通过用户的R、F、M值与对应值的极差(最大值与最小值的差)，来确定R-Score, F-Score,M-Score。
因此首先计算R、F、M的最大值、最小值、极差三等分距
最大值：通过“=max(B5:B1204)” 计算,（计算F时B换成C，M时B换成D即可）
最小值：通过“=min(B5:B1204)”计算（计算F时B换成C，M时B换成D即可）
极差：通过“=(F1-F2)/3”计算（计算F时F换成G，M时F换成H即可）
R-Score计算方式：在E5单元格输入：
“=IF(ROUNDUP((B5-$F$2)/$F$3,0)=0,1,ROUNDUP((B5-$F$2)/$F$3,0)) ”
F-score和M-score计算方式类似：
“=IF(ROUNDUP((C5-$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计算采用将R、F、M以百分位、十分位、个位组成三位数的方式实现，共有3*3*3=27种组合方式。
H5单元格的公式：“=E5*100 F5*10 G5”
下拉填充柄应用于整个列表，得到最后结果：
然后对数据表区域A4到H3996进行数据透视：汇总不同的RFM-Score对应的客户群体。
可以采用数据条的方式直观显示客户分布情况。
通过Python处理数据时，我们首先需要关注我们提取进来的数据是否需要预处理，比如数据的类型是否符合预期，字段名是否需要调整，缺失值是否需要填充，重复值是否需要去除等等，因此第一步我们首先需要对数据进行初步的熟悉了解：
4.1 熟悉数据源
常用于初步了解数据的方法有很多比如：shape(了解数据的大小，几行几列)，head(显示其中的前几条数据)，tail(显示数据源最后几条数据)，sample(随机提取几条数据),info(显示数据源的各字段数据类型)，describe(对数据源进行数学描述)。
显示结果如下：
通过上图我们发现交易记录里面会有一些无效订单，那么我们首先就要排除这类订单，那么就可以通过pandas的布尔索引来进行数据的筛选：
结果如下：
4.2 选取字段
鉴于我们仅需要买家付款时间，购买日期，实付金额这三个字段，我们仅需要对他们进行数据处理，因此可以排除其他字段。
结果如下：
缺失值处理：
4.3 RFM建模：
A. 计算R值
添加天数字段，将付款时间与观察日期进行日期计算得到R值
运行结果如下：
B. 计算R、F、M值
通过聚合函数，对买家昵称进行计数运算获得消费频次F值，计算天数字段的最小值获得客户的R值，通过实付金额的求和运算获得客户的M值。
运行结果如下：
C. 用户价值评分
通过上述计算，我们可以根据不同的分数段来对客户R、F、M值进行打分，就本案例来讲：
R值：我们得出的最小值是660，以30天作为间隔，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：我们得出的最小值是1次，以1次作为时间间隔，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：我们得出的最小值是0.005元，我们以500元作为时间间隔，0-50，打1分；50-100，打2分；100-150，打3分；150-200，打4分；>200，打5分。
依据上述标准建立程序方法：
运行结果：
D. 用户标签设定：
第一步：计算用户R、F、M平均值：
运行结果
第二步：验证用户各项指标是否超出平均值，是则计一分，否则不计分。
运行结果如下：
第三步：生成用户标签列：
运行结果如下：
E. 可视化呈现：
柱状图：
运行结果如下：
通过以上数据分析工具的分析，我们可以发现在实现RFM模型的方法中，Python具有更为强大的可用性和灵活性，且拥有完备的数据分析手段，从数据预处理、分析到最后的数据呈现。
而Excel在实际工作中应用场景也是非常多见的，通过本案例可以很好的实践Excel相关函数，希望本文对你的数据分析之旅有所帮助。
,
