01

RFM分析

1.1 RFM简介

RFM分析一种通过检查过往交易数据以实现客户细分的技术。它从三个角度来观察：

1 客户最近多久购买？（活跃度）
2 客户购买频次是多少？（忠诚度）
3 客户购买花了多少钱？（贡献度）

RFM分析基于一个营销原则：80%的业务来自20%的客户（二八法则）。RFM通过将客户划分为不同的类别来帮助识别更有可能响应促销活动的客户。

1.2 RMF应用场景

RFM分析应用广泛，可以在电商、社交媒体、信贷服务、APPS等发挥积极作用。
如下图所示：

R语言学习：RFM分析，rfm包

RFM分析的工作流程，如下图所示：
数据 –》 RFM 表格 –》 RFM 评分 –》分群结果和应用。

R语言学习：RFM分析，rfm包

1.3 交易数据

交易数据用于记录客户的订单数据，包括客户ID、客户姓名、订单成交日期、订单对应金额等核心要素，除此之外，还可以包括其它信息，比方说，订单所属类型，下单时间，支付时间等。一个简单的交易数据，如下图所示：

R语言学习：RFM分析，rfm包

1.4 指标加工

针对历史交易数据，使用RFM分析，对数据进行指标加工，生成R、F和M指标。
如下图所示：

RECENCY指标

R语言学习：RFM分析，rfm包

FREQUENCY指标

R语言学习：RFM分析，rfm包

MONETARY指标

R语言学习：RFM分析，rfm包

1.5 生成RFM评分

根据评分等级，利用分位数方法，确定对应的cut-off。
创建M-Score, F-Score和R-Score。
如下图所示：
M-Score:

R语言学习：RFM分析，rfm包

F-Score:

R语言学习：RFM分析，rfm包

R-Score:

R语言学习：RFM分析，rfm包

根据指标的评分，生成RFM-Score。
RFM-Score = R-Score * 100 + F-Score * 10 + M-Score
最终结果如下图所示：

R语言学习：RFM分析，rfm包

1.6 客群细分

基于业务知识和指标的评分，划分不同群体，一种可供参考的群体结果，如下图所示：

R语言学习：RFM分析，rfm包

02

RFM分析举例

使用rfm包做RFM分析。
示例代码

# 加载R包
library(tidyverse)
library(lubridate)
library(rfm)

# 导入数据
# 使用rfm包自带的数据集
rfm_data_orders
rfm_data_orders %>% 
  glimpse

# 对历史交易数据生成RFM表格数据
analysis_date <- lubridate::as_date("2006-12-31", tz = "UTC")
rfm_result <- rfm_table_order(rfm_data_orders, 
                              customer_id, 
                              order_date, 
                              revenue, 
                              analysis_date)

rfm_result

# 客群细分
segment_names <- 
  c("Champions", "Loyal Customers", "Potential Loyalist",
    "New Customers", "Promising", "Need Attention", 
    "About To Sleep", "At Risk", "Can't Lose Them", 
    "Hibernating", "Lost")

recency_lower   <- c(4, 2, 3, 4, 3, 3, 2, 1, 1, 2, 1)
recency_upper   <- c(5, 4, 5, 5, 4, 4, 3, 2, 1, 3, 1)
frequency_lower <- c(4, 3, 1, 1, 1, 3, 1, 2, 4, 2, 1)
frequency_upper <- c(5, 4, 3, 1, 1, 4, 2, 5, 5, 3, 1)
monetary_lower  <- c(4, 4, 1, 1, 1, 3, 1, 2, 4, 2, 1)
monetary_upper  <- c(5, 5, 3, 1, 1, 4, 2, 5, 5, 3, 1)

segments <- rfm_segment(rfm_result, 
              segment_names, 
              recency_lower, 
              recency_upper, 
              frequency_lower, 
              frequency_upper, 
              monetary_lower, 
              monetary_upper)

segments %>% 
  select(customer_id, segment, rfm_score)

# 客群分类的分布情况
segments %>%
  count(segment) %>%
  arrange(desc(n)) %>%
  rename(Segment = segment, Count = n)

# 可视化分析
# RFM三个度量指标在各个客群下的中位数分布
rfm_plot_median_recency(segments)
rfm_plot_median_frequency(segments)
rfm_plot_median_monetary(segments)
rfm_bar_chart(rfm_result)
rfm_histograms(rfm_result)