RFM模型分析與客戶(hù)細(xì)分

根據(jù)美國(guó)數(shù)據(jù)庫(kù)營(yíng)銷(xiāo)研究所Arthur Hughes的研究，客戶(hù)數(shù)據(jù)庫(kù)中有三個(gè)神奇的要素，這三個(gè)要素構(gòu)成了數(shù)據(jù)分析最好的指標(biāo)：最近一次消費(fèi)(Recency)、消費(fèi)頻率(Frequency)、消費(fèi)金額(Monetary)。

　　RFM模型：R(Recency)表示客戶(hù)最近一次購(gòu)買(mǎi)的時(shí)間有多遠(yuǎn)，F(xiàn)(Frequency)表示客戶(hù)在最近一段時(shí)間內(nèi)購(gòu)買(mǎi)的次數(shù)，M (Monetary)表示客戶(hù)在最近一段時(shí)間內(nèi)購(gòu)買(mǎi)的金額。一般原始數(shù)據(jù)為3個(gè)字段：客戶(hù)ID、購(gòu)買(mǎi)時(shí)間(日期格式)、購(gòu)買(mǎi)金額，用數(shù)據(jù)挖掘軟件處理，加權(quán)(考慮權(quán)重)得到RFM得分，進(jìn)而可以進(jìn)行客戶(hù)細(xì)分，客戶(hù)等級(jí)分類(lèi)，Customer Level Value得分排序等，實(shí)現(xiàn)數(shù)據(jù)庫(kù)營(yíng)銷(xiāo)!

這里再次借用@數(shù)據(jù)挖掘與數(shù)據(jù)分析的RFM客戶(hù)RFM分類(lèi)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?yàn)镽FM分析僅是項(xiàng)目的一個(gè)小部分分析，但也面臨海量數(shù)據(jù)的處理能力，這一點(diǎn)對(duì)計(jì)算機(jī)的內(nèi)存和硬盤(pán)容量都有要求。

　　先說(shuō)說(shuō)對(duì)海量數(shù)據(jù)挖掘和數(shù)據(jù)處理的一點(diǎn)體會(huì)：(僅指?jìng)€(gè)人電腦操作平臺(tái)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(chǔ)單位，一般最好在外置電源移動(dòng)硬盤(pán)存儲(chǔ);如果客戶(hù)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(rèn)安裝一般都需要與C盤(pán)進(jìn)行數(shù)據(jù)交換，至少需要100G空間預(yù)留，否則讀取數(shù)據(jù)過(guò)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(yùn)行出結(jié)果是常有的現(xiàn)象，特別是在進(jìn)行抽樣、合并數(shù)據(jù)、數(shù)據(jù)重構(gòu)、神經(jīng)網(wǎng)絡(luò)建模過(guò)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(zhǔn)備階段和數(shù)據(jù)預(yù)處理時(shí)間占整個(gè)項(xiàng)目的70%，我這里說(shuō)如果是超大數(shù)據(jù)集可能時(shí)間要占到90%以上。一方面是處理費(fèi)時(shí)，一方面可能就只能這臺(tái)電腦處理，不能幾臺(tái)電腦同時(shí)操作;

　　多帶來(lái)不同，這是我一直強(qiáng)調(diào)的體驗(yàn)。所以海量數(shù)據(jù)需要用到抽樣技術(shù)，用來(lái)查看數(shù)據(jù)和預(yù)操作，記?。河袝r(shí)候即使樣本數(shù)據(jù)正常，也可能全部數(shù)據(jù)有問(wèn)題。建議數(shù)據(jù)分隔符采用“|”存儲(chǔ);

　　如何強(qiáng)調(diào)一個(gè)數(shù)據(jù)挖掘項(xiàng)目和挖掘工程師對(duì)行業(yè)的理解和業(yè)務(wù)的洞察都不為過(guò)，好的數(shù)據(jù)挖掘一定是市場(chǎng)導(dǎo)向的，當(dāng)然也需要IT人員與市場(chǎng)人員有好的溝通機(jī)制;

　　數(shù)據(jù)挖掘會(huì)面臨數(shù)據(jù)字典和語(yǔ)義層含義理解，在MetaData元數(shù)據(jù)管理和理解上下功夫會(huì)事半功倍，否則等數(shù)據(jù)重構(gòu)完成發(fā)現(xiàn)問(wèn)題又要推倒重來(lái)，悲劇;

　　每次海量大數(shù)據(jù)挖掘工作時(shí)都是我上微博最多的時(shí)侯，它真的沒(méi)我算的快，只好上微博等它，哈哈!

　　傳統(tǒng)RFM分析轉(zhuǎn)換為電信業(yè)務(wù)RFM分析主要思考：

　　這里的RFM模型和進(jìn)而細(xì)分客戶(hù)僅是數(shù)據(jù)挖掘項(xiàng)目的一個(gè)小部分，假定我們拿到一個(gè)月的客戶(hù)充值行為數(shù)據(jù)集(實(shí)際上有六個(gè)月的數(shù)據(jù))，我們們先用IBM Modeler軟件構(gòu)建一個(gè)分析流：

數(shù)據(jù)結(jié)構(gòu)完全滿(mǎn)足RFM分析要求，一個(gè)月的數(shù)據(jù)就有3千萬(wàn)條交易記錄!

我們先用挖掘工具的RFM模型的RFM匯總節(jié)點(diǎn)和RFM分析節(jié)點(diǎn)產(chǎn)生R(Recency)、F(Frequency)、M (Monetary);

　　接著我們采用RFM分析節(jié)點(diǎn)就完成了RFM模型基礎(chǔ)數(shù)據(jù)重構(gòu)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(duì)RFM得分進(jìn)行了五等分切割，采用100、10、1加權(quán)得到RFM得分表明了125個(gè)RFM魔方塊。

　　傳統(tǒng)的RFM模型到此也就完成了，但125個(gè)細(xì)分市場(chǎng)太多啦無(wú)法針對(duì)性營(yíng)銷(xiāo)也需要識(shí)別客戶(hù)特征和行為，有必要進(jìn)一步細(xì)分客戶(hù)群;

　　另外：RFM模型其實(shí)僅僅是一種數(shù)據(jù)處理方法，采用數(shù)據(jù)重構(gòu)技術(shù)同樣可以完成，只是這里固化了RFM模塊更簡(jiǎn)單直接，但我們可以采用RFM構(gòu)建數(shù)據(jù)的方式不為RFM也可用該模塊進(jìn)行數(shù)據(jù)重構(gòu)。

　　我們可以將得到的數(shù)據(jù)導(dǎo)入到Tableau軟件進(jìn)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(jìn)行不同塊的對(duì)比分析：均值分析、塊類(lèi)別分析等等

　　這時(shí)候我們就可以看出Tableau可視化工具的方便性

接下來(lái)，我們繼續(xù)采用挖掘工具對(duì)R、F、M三個(gè)字段進(jìn)行聚類(lèi)分析，聚類(lèi)分析主要采用：Kohonen、K-means和Two-step算法：

這時(shí)候我們要考慮是直接用R(Recency)、F(Frequency)、M (Monetary)三個(gè)變量還是要進(jìn)行變換，因?yàn)镽、F、M三個(gè)字段的測(cè)量尺度不同最好對(duì)三個(gè)變量進(jìn)行標(biāo)準(zhǔn)化，例如：Z得分(實(shí)際情況可以選擇線(xiàn)性插值法，比較法，對(duì)標(biāo)法等標(biāo)準(zhǔn)化)!另外一個(gè)考慮：就是R、F、M三個(gè)指標(biāo)的權(quán)重該如何考慮，在現(xiàn)實(shí)營(yíng)銷(xiāo)中這三個(gè)指標(biāo)重要性顯然不同!

　　有資料研究表明：對(duì)RFM各變量的指標(biāo)權(quán)重問(wèn)題,Hughes,Arthur認(rèn)為RFM在衡量一個(gè)問(wèn)題上的權(quán)重是一致的,因而并沒(méi)有給予不同的劃分。而Stone,Bob通過(guò)對(duì)信用卡的實(shí)證分析,認(rèn)為各個(gè)指標(biāo)的權(quán)重并不相同,應(yīng)該給予頻度最高,近度次之,值度最低的權(quán)重;

　　這里我們采用加權(quán)方法：WR=2 WF=3 WM=5的簡(jiǎn)單加權(quán)法(實(shí)際情況需要專(zhuān)家或營(yíng)銷(xiāo)人員測(cè)定);具體選擇哪種聚類(lèi)方法和聚類(lèi)數(shù)需要反復(fù)測(cè)試和評(píng)估，同時(shí)也要比較三種方法哪種方式更理想!

　　下圖是采用快速聚類(lèi)的結(jié)果：

　　以及kohonen神經(jīng)算法的聚類(lèi)結(jié)果：

　　接下來(lái)我們要識(shí)別聚類(lèi)結(jié)果的意義和類(lèi)分析：這里我們可以采用C5.0規(guī)則來(lái)識(shí)別不同聚類(lèi)的特征：

其中Two-step兩階段聚類(lèi)特征圖：

　　采用評(píng)估分析節(jié)點(diǎn)對(duì)C5.0規(guī)則的模型識(shí)別能力進(jìn)行判斷：

結(jié)果還不錯(cuò)，我們可以分別選擇三種聚類(lèi)方法，或者選擇一種更易解釋的聚類(lèi)結(jié)果，這里選擇Kohonen的聚類(lèi)結(jié)果將聚類(lèi)字段寫(xiě)入數(shù)據(jù)集后，為方便我們將數(shù)據(jù)導(dǎo)入SPSS軟件進(jìn)行均值分析和輸出到Excel軟件!

　　輸出結(jié)果后將數(shù)據(jù)導(dǎo)入Excel，將R、F、M三個(gè)字段分類(lèi)與該字段的均值進(jìn)行比較，利用Excel軟件的條件格式給出與均值比較的趨勢(shì)!結(jié)合RFM模型魔方塊的分類(lèi)識(shí)別客戶(hù)類(lèi)型：通過(guò)RFM分析將客戶(hù)群體劃分成重要保持客戶(hù)、重要發(fā)展客戶(hù)、重要挽留客戶(hù)、一般重要客戶(hù)、一般客戶(hù)、無(wú)價(jià)值客戶(hù)等六個(gè)級(jí)別;(有可能某個(gè)級(jí)別不存在);

　　另外一個(gè)考慮是針對(duì)R、F、M三個(gè)指標(biāo)的標(biāo)準(zhǔn)化得分按聚類(lèi)結(jié)果進(jìn)行加權(quán)計(jì)算，然后進(jìn)行綜合得分排名，識(shí)別各個(gè)類(lèi)別的客戶(hù)價(jià)值水平;

　　至此如果我們通過(guò)對(duì)RFM模型分析和進(jìn)行的客戶(hù)細(xì)分滿(mǎn)意的話(huà)，可能分析就此結(jié)束!如果我們還有客戶(hù)背景資料信息庫(kù)，可以將聚類(lèi)結(jié)果和RFM得分作為自變量進(jìn)行其他數(shù)據(jù)挖掘建模工作!