
根據(jù)美國數(shù)據(jù)庫營銷研究所Arthur Hughes的研究,客戶數(shù)據(jù)庫中有三個神奇的要素,這三個要素構成了數(shù)據(jù)分析最好的指標:最近一次消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)。
RFM模型:R(Recency)表示客戶最近一次購買的時間有多遠,F(xiàn)(Frequency)表示客戶在最近一段時間內購買的次數(shù),M (Monetary)表示客戶在最近一段時間內購買的金額。一般原始數(shù)據(jù)為3個字段:客戶ID、購買時間(日期格式)、購買金額,用數(shù)據(jù)挖掘軟件處理,加權(考慮權重)得到RFM得分,進而可以進行客戶細分,客戶等級分類,Customer Level Value得分排序等,實現(xiàn)數(shù)據(jù)庫營銷!
這里再次借用@數(shù)據(jù)挖掘與數(shù)據(jù)分析的RFM客戶RFM分類圖。
本次分析用的的軟件工具:IBM SPSS Statistics 19,IBM SPSS Modeler14.1,Tableau7.0,EXCEL和PPT
因為RFM分析僅是項目的一個小部分分析,但也面臨海量數(shù)據(jù)的處理能力,這一點對計算機的內存和硬盤容量都有要求。
先說說對海量數(shù)據(jù)挖掘和數(shù)據(jù)處理的一點體會:(僅指個人電腦操作平臺而言)
一般我們拿到的數(shù)據(jù)都是壓縮格式的文本文件,需要解壓縮,都在G字節(jié)以上存儲單位,一般最好在外置電源移動硬盤存儲;如果客戶不告知,你大概是不知道有多少記錄和字段的;
Modeler挖掘軟件默認安裝一般都需要與C盤進行數(shù)據(jù)交換,至少需要100G空間預留,否則讀取數(shù)據(jù)過程中將造成空間不足
海量數(shù)據(jù)處理要有耐心,等待30分鐘以上運行出結果是常有的現(xiàn)象,特別是在進行抽樣、合并數(shù)據(jù)、數(shù)據(jù)重構、神經網(wǎng)絡建模過程中,要有韌性,否則差一分鐘中斷就悲劇了,呵呵;
數(shù)據(jù)挖掘的準備階段和數(shù)據(jù)預處理時間占整個項目的70%,我這里說如果是超大數(shù)據(jù)集可能時間要占到90%以上。一方面是處理費時,一方面可能就只能這臺電腦處理,不能幾臺電腦同時操作;
多帶來不同,這是我一直強調的體驗。所以海量數(shù)據(jù)需要用到抽樣技術,用來查看數(shù)據(jù)和預操作,記?。河袝r候即使樣本數(shù)據(jù)正常,也可能全部數(shù)據(jù)有問題。建議數(shù)據(jù)分隔符采用“|”存儲;
如何強調一個數(shù)據(jù)挖掘項目和挖掘工程師對行業(yè)的理解和業(yè)務的洞察都不為過,好的數(shù)據(jù)挖掘一定是市場導向的,當然也需要IT人員與市場人員有好的溝通機制;
數(shù)據(jù)挖掘會面臨數(shù)據(jù)字典和語義層含義理解,在MetaData元數(shù)據(jù)管理和理解上下功夫會事半功倍,否則等數(shù)據(jù)重構完成發(fā)現(xiàn)問題又要推倒重來,悲劇;
每次海量大數(shù)據(jù)挖掘工作時都是我上微博最多的時侯,它真的沒我算的快,只好上微博等它,哈哈!
傳統(tǒng)RFM分析轉換為電信業(yè)務RFM分析主要思考:
這里的RFM模型和進而細分客戶僅是數(shù)據(jù)挖掘項目的一個小部分,假定我們拿到一個月的客戶充值行為數(shù)據(jù)集(實際上有六個月的數(shù)據(jù)),我們們先用IBM Modeler軟件構建一個分析流:
數(shù)據(jù)結構完全滿足RFM分析要求,一個月的數(shù)據(jù)就有3千萬條交易記錄!
我們先用挖掘工具的RFM模型的RFM匯總節(jié)點和RFM分析節(jié)點產生R(Recency)、F(Frequency)、M (Monetary);
接著我們采用RFM分析節(jié)點就完成了RFM模型基礎數(shù)據(jù)重構和整理;
現(xiàn)在我們得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score;這里對RFM得分進行了五等分切割,采用100、10、1加權得到RFM得分表明了125個RFM魔方塊。
傳統(tǒng)的RFM模型到此也就完成了,但125個細分市場太多啦無法針對性營銷也需要識別客戶特征和行為,有必要進一步細分客戶群;
另外:RFM模型其實僅僅是一種數(shù)據(jù)處理方法,采用數(shù)據(jù)重構技術同樣可以完成,只是這里固化了RFM模塊更簡單直接,但我們可以采用RFM構建數(shù)據(jù)的方式不為RFM也可用該模塊進行數(shù)據(jù)重構。
我們可以將得到的數(shù)據(jù)導入到Tableau軟件進行描述性分析:(數(shù)據(jù)挖掘軟件在描述性和制表輸出方面非常弱智,哈哈)
我們也可以進行不同塊的對比分析:均值分析、塊類別分析等等
這時候我們就可以看出Tableau可視化工具的方便性
接下來,我們繼續(xù)采用挖掘工具對R、F、M三個字段進行聚類分析,聚類分析主要采用:Kohonen、K-means和Two-step算法:
這時候我們要考慮是直接用R(Recency)、F(Frequency)、M (Monetary)三個變量還是要進行變換,因為R、F、M三個字段的測量尺度不同最好對三個變量進行標準化,例如:Z得分(實際情況可以選擇線性插值法,比較法,對標法等標準化)!另外一個考慮:就是R、F、M三個指標的權重該如何考慮,在現(xiàn)實營銷中這三個指標重要性顯然不同!
有資料研究表明:對RFM各變量的指標權重問題,Hughes,Arthur認為RFM在衡量一個問題上的權重是一致的,因而并沒有給予不同的劃分。而Stone,Bob通過對信用卡的實證分析,認為各個指標的權重并不相同,應該給予頻度最高,近度次之,值度最低的權重;
這里我們采用加權方法:WR=2 WF=3 WM=5的簡單加權法(實際情況需要專家或營銷人員測定);具體選擇哪種聚類方法和聚類數(shù)需要反復測試和評估,同時也要比較三種方法哪種方式更理想!
下圖是采用快速聚類的結果:
以及kohonen神經算法的聚類結果:
接下來我們要識別聚類結果的意義和類分析:這里我們可以采用C5.0規(guī)則來識別不同聚類的特征:
其中Two-step兩階段聚類特征圖:
采用評估分析節(jié)點對C5.0規(guī)則的模型識別能力進行判斷:
結果還不錯,我們可以分別選擇三種聚類方法,或者選擇一種更易解釋的聚類結果,這里選擇Kohonen的聚類結果將聚類字段寫入數(shù)據(jù)集后,為方便我們將數(shù)據(jù)導入SPSS軟件進行均值分析和輸出到Excel軟件!
輸出結果后將數(shù)據(jù)導入Excel,將R、F、M三個字段分類與該字段的均值進行比較,利用Excel軟件的條件格式給出與均值比較的趨勢!結合RFM模型魔方塊的分類識別客戶類型:通過RFM分析將客戶群體劃分成重要保持客戶、重要發(fā)展客戶、重要挽留客戶、一般重要客戶、一般客戶、無價值客戶等六個級別;(有可能某個級別不存在);
另外一個考慮是針對R、F、M三個指標的標準化得分按聚類結果進行加權計算,然后進行綜合得分排名,識別各個類別的客戶價值水平;
至此如果我們通過對RFM模型分析和進行的客戶細分滿意的話,可能分析就此結束!如果我們還有客戶背景資料信息庫,可以將聚類結果和RFM得分作為自變量進行其他數(shù)據(jù)挖掘建模工作!
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關鍵? 在循環(huán)神經網(wǎng)絡(RNN)家族中,長短期記憶網(wǎng)絡(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報考條件詳解與準備指南? ? 在數(shù)據(jù)驅動決策的時代浪潮下,CDA 數(shù)據(jù)分析師認證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計的實用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實施重大更新。 此次更新旨在確保認 ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務的價值轉化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預測分析中的應用:從數(shù)據(jù)查詢到趨勢預判? ? 在數(shù)據(jù)驅動決策的時代,預測分析作為挖掘數(shù)據(jù)潛在價值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結束后:分析師的收尾工作與價值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結束)并非工作的終點,而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報考到取證的全攻略? 在數(shù)字經濟蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗:捕捉數(shù)據(jù)背后的時間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時間維度的精準切片? ? 在數(shù)據(jù)的世界里,時間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準 ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應用與實戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗:數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領域中,準確捕捉數(shù)據(jù)的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認證作為國內權威的數(shù)據(jù)分析能力認證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應對策略? 長短期記憶網(wǎng)絡(LSTM)作為循環(huán)神經網(wǎng)絡(RNN)的一種變體,憑借獨特的門控機制,在 ...
2025-07-07統(tǒng)計學方法在市場調研數(shù)據(jù)中的深度應用? 市場調研是企業(yè)洞察市場動態(tài)、了解消費者需求的重要途徑,而統(tǒng)計學方法則是市場調研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅動力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉日期:解鎖數(shù)據(jù)處理的關鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準確性的基礎 ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅動力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產要素的今天,數(shù)據(jù)分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03