
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!
數(shù)據(jù)分析咨詢(xún)請(qǐng)掃描二維碼
若不方便掃碼,搜微信號(hào):CDAshujufenxi
LSTM 模型輸入長(zhǎng)度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長(zhǎng)序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報(bào)考條件詳解與準(zhǔn)備指南? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代浪潮下,CDA 數(shù)據(jù)分析師認(rèn)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(jì)的實(shí)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(qiáng)大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶(hù) ...
2025-07-11尊敬的考生: 您好! 我們誠(chéng)摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實(shí)施重大更新。 此次更新旨在確保認(rèn) ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價(jià)值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡(jiǎn)稱(chēng) BI)深度融合的時(shí)代,BI ...
2025-07-10SQL 在預(yù)測(cè)分析中的應(yīng)用:從數(shù)據(jù)查詢(xún)到趨勢(shì)預(yù)判? ? 在數(shù)據(jù)驅(qū)動(dòng)決策的時(shí)代,預(yù)測(cè)分析作為挖掘數(shù)據(jù)潛在價(jià)值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢(xún)結(jié)束后:分析師的收尾工作與價(jià)值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢(xún)結(jié)束)并非工作的終點(diǎn),而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報(bào)考到取證的全攻略? 在數(shù)字經(jīng)濟(jì)蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭(zhēng)搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢(shì)性檢驗(yàn):捕捉數(shù)據(jù)背后的時(shí)間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢(shì)性檢驗(yàn)如同一位耐心的偵探,專(zhuān)注于從單 ...
2025-07-09year_month數(shù)據(jù)類(lèi)型:時(shí)間維度的精準(zhǔn)切片? ? 在數(shù)據(jù)的世界里,時(shí)間是最不可或缺的維度之一,而year_month數(shù)據(jù)類(lèi)型就像一把精準(zhǔn) ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實(shí)戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認(rèn)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(yàn):數(shù)據(jù)趨勢(shì)與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準(zhǔn)確捕捉數(shù)據(jù)的趨勢(shì)變化以及識(shí)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(rèn)證作為國(guó)內(nèi)權(quán)威的數(shù)據(jù)分析能力認(rèn)證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對(duì)策略? 長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨(dú)特的門(mén)控機(jī)制,在 ...
2025-07-07統(tǒng)計(jì)學(xué)方法在市場(chǎng)調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場(chǎng)調(diào)研是企業(yè)洞察市場(chǎng)動(dòng)態(tài)、了解消費(fèi)者需求的重要途徑,而統(tǒng)計(jì)學(xué)方法則是市場(chǎng)調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書(shū)考試全攻略? 在數(shù)字化浪潮席卷全球的當(dāng)下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動(dòng)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(zhuān)業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)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(zhǔn)確性的基礎(chǔ) ...
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(qū)動(dòng)力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開(kāi)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(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價(jià)值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03