RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。一般原始数据为3个字段：客户ID、购买时间、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，对得分排序，输出营销名单topN！

   

    上图来自于

    下面我们采用IBM Modeler 14.1版本操作RFM模型：（采用数据挖掘技术来分析RFM是一件简单的工作，因为软件非常智能化，或者说基本上内置了自动RFM分析模块）

    首先：我们读取数据，假设我们拥有近7万条交易数据，包含客户ID，交易日期和交易量；一般来讲，对于交易数据为了节省存储空间，时间字段都是文本型，所以我们先采用填充字段将Date变成真正的日期型字段；

因为IBM Modeler14.1的RFM模块对字段的特定要求，我们先变化，记住要选择“始终”

    这样我们就可以选择RFM变换节点，为RFM分析准备R-近因、F-频次、M-货币交易数据了；从记录选项中选择RFM汇总节点

注意：这个时候你可以选择时间点：指定时间或分析时间

到这里，你会发现，非常简单，节点自动将交易数据集汇总转换为RFM分析数据集：近因、频次和货币；

现在我们需要将三个字段进行分割：从字段选项中选择RFM分析节点，

指定三个RFM字段近因、频次和货币后，我们需要决定分箱数和权重，一般来讲：针对不同的产品和促销，需要考虑不同的客户意愿，往往近因权重大些，其次是光顾频次；我这里进行了简单处理：所以权重都是一样，赋权重=10；

RFM分析节点字段完成了基础RFM分析，得到每一个客户的近因、频次和货币得分，进而计算加权求和得到RFM得分。

传统的RFM分析到此就差不多了，我们需要将客户RFM得分排序，选择RFM得分最高的2000人进行促销！

 

真正的商业战役需要建立客户响应模型，将RFM得分与客户资料库和响应数据进行关联，从而有针对性的建立响应模型：

    一般来讲，假定企业拥有100万会员资料库和历史交易数据，可以在没有建立数据挖掘模型前，随机选择1万人进行促销，记录这1万人的响应情况，然后根据这1万人的响应数据0-1，建立RFM为自变量的响应模型，然后根据模型对100万用户进行客户响应打分，选择10万人进行促销，可以提升促销的ROI；

    前面一篇博客文章是采用IBM SPSS Statistics进行RFM分析的，现在我们可以看到数据挖掘软件分析更方便、更系统，当然也更直观可操作！

转自：