RFM分析
RFM模型由三个基础指标组成：
R：最近一次消费至今的时间
F：一定时间内重复消费频率
M：一定时间内累计消费金额
RFM模型里，三个变量的含义是很具体的：
M：消费越多，用户价值越高，越应该重点关注。
F：频次越低，越需要用一次性手段（比如促销、赠礼），频次越高，越可以用持续性手段（积分） 来维护
优点：
可以对客户群体进行细分
缺点：
它仅仅考虑了用户的行为数量，没有考虑用户在干什么。比如用RFM考察用户消费，就少了一个关键内容：用户买的是啥。同样的RFM数值，可能情况完全不一样，比如：
R：距今30天未消费
F：最近1个月仅1次消费
M：1000元
在RFM分类里，符合上述条件的是同一类客户。可是：
A用户：趁大促销，囤了1000元洗发水、沐浴露、护发素、纸巾
B用户：趁大促销，买了个1000元的空调
步骤：
首先，将各要素放入变量框。日期要求是日期型变量，yymmdd是年月日
分箱：嵌套。 在嵌套分箱化中，简单等级被分配到上次消费时间值。在每个上次消费时间等级中，客户会分配到一个频率等级，然后在每个频率等级中，客户会分配到一个消费金额等级。这可以使合并 RFM 得分的分布更平均，但其缺点是会使频率和消费金额等级得分更难解释。例如，拥有上次消费时间等级 5 的客户的频率等级 5 与拥有上次消费时间等级 4 的客户的频率等级 5 意义是不同的，因为频率等级取决于上次消费时间等级。
独立。 简单等级被分配到上次消费时间、频率和消费金额值。三个等级独立分配。三个 RFM 组件中每个组件的解释因此都非常明确；一个客户的频率得分 5 与另一个客户的频率得分 5 意义是相同的，无论其上次消费时间得分如何。对于较小的样本，这样做的缺点是会导致合并 RFM 得分的分布不平均。
输出全选
结果：
RFM分箱计数图，蛮漂亮，这个可不是看是不是漂亮的。我们期望是每个格子里面的条图频数均匀分布，也就是差不多高，如大抵上能满足，则说明数据是适合的。
会得到R.F.M三个角度的评分，重新编码为不同的变量。会产生新的分组。之后需要根据不同的组合标记出不同的数字，这些数字都在一列中，分别对不同的值进行定义。排序，就可以对客户进行划分
注：计算变量处，公式的右端就是在列中的表达方式，如果是筛选条件
原文地址：https://www.jb51.cc/wenti/3280401.html
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
