RFM模型分析與客戶細分

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!