R語(yǔ)言實(shí)現(xiàn)RMF模型

RMF模型是客戶管理中，常被用來(lái)衡量客戶價(jià)值和客戶創(chuàng)利能力的重要方法。它主要考量三個(gè)指標(biāo)：

最近一次消費(fèi)-Recency：近期購(gòu)買(mǎi)的客戶傾向于再度購(gòu)買(mǎi)
消費(fèi)頻率-Frequency：經(jīng)常購(gòu)買(mǎi)的客戶再次購(gòu)買(mǎi)概率高
消費(fèi)金額-Monetary：消費(fèi)金額較多的客戶再次消費(fèi)可能性更大
根據(jù)上述三個(gè)維度，對(duì)客戶做細(xì)分，假定每個(gè)維度劃分成五個(gè)等級(jí)，得到客戶的R值（1-5），F(xiàn)值（1-5），M值（1-5）。那么客戶就被分作5*5*5 <- 125個(gè)細(xì)分群，我們可以根據(jù)客戶交易行為的差異針對(duì)不同群體做不同的推薦。
或者進(jìn)一步針對(duì)不同的業(yè)務(wù)場(chǎng)景，對(duì)R、F、M賦予不同權(quán)重Wr、Wf、Wm，得到每個(gè)用戶的得分：W=Wr*R+Wf*F+Wm*M。根據(jù)最終得分W排序，再劃分等級(jí)，采用不用的營(yíng)銷(xiāo)策略。
RFM模型其實(shí)很簡(jiǎn)單，其重點(diǎn)應(yīng)該是在：一，如何做劃分，不管是針對(duì)三個(gè)維度的劃分還是三個(gè)維度取不同權(quán)重的和W的劃分，都要依據(jù)實(shí)際業(yè)務(wù)場(chǎng)景情況確定。二，針對(duì)不同的客戶群如何選定合適的營(yíng)銷(xiāo)手段，這個(gè)則需要對(duì)每個(gè)客戶群體有正確的解讀，并且對(duì)實(shí)際業(yè)務(wù)場(chǎng)景理解比較深入。
R語(yǔ)言實(shí)現(xiàn)RMF

用來(lái)做分析的數(shù)據(jù)應(yīng)該是一段時(shí)間里累計(jì)的客戶的消費(fèi)記錄，每筆記錄至少需要客戶名稱、消費(fèi)時(shí)間、消費(fèi)金額三個(gè)要素。

用R生成模擬隨機(jī)消費(fèi)記錄數(shù)據(jù)。客戶編號(hào)為1000-1999共100人，消費(fèi)記錄10000條，消費(fèi)記錄產(chǎn)生時(shí)間在2014-01-01到2015-12-29之間。

[plain] view plain copy

    sales <-data.frame(sample(1000:1999,replace=T,size=10000),abs(round(rnorm(10000,178,55)))+1)#隨機(jī)第一列產(chǎn)生用戶ID，第二列產(chǎn)生用戶消費(fèi)數(shù)據(jù)  
    sales.dates<- as.Date("2014/1/1") + 728*sort(stats::runif(10000)) # runif(n,min = 0, max = 1)產(chǎn)生隨機(jī)數(shù)  
    sales<- cbind(sales,sales.dates)  
    names(sales)<- c("用戶ID","消費(fèi)金額","消費(fèi)時(shí)間")  
    str(sales)#查看data.frame的格式  

根據(jù)上述消費(fèi)記錄，得到Recency、Frequency、Monetary的值。

[plain] view plain copy

    sales$距離時(shí)間 <- round(as.numeric(difftime(Sys.Date(),sales[,3],units="days")))  
    salesM<- aggregate(sales[,2],list(sales$用戶ID),sum) #總消費(fèi)金額  
    names(salesM)<- c("用戶ID","Monetization")  
    salesF<- aggregate(sales[,2],list(sales$用戶ID),length) #消費(fèi)次數(shù)  
    names(salesF)<- c("用戶ID","Frequency")  
    salesR<- aggregate(sales[,4],list(sales$用戶ID),min) #最近一次消費(fèi)時(shí)間  
    names(salesR)<- c("用戶ID","Recency")  
    test1<- merge(salesF,salesR,"用戶ID")  
    salesRFM<- merge(salesM,test1,"用戶ID")  


根據(jù)上述說(shuō)明，對(duì)三個(gè)維度每個(gè)維度劃分為5個(gè)層次，做均值劃分。并給R、F、M分別賦權(quán)重0.5,0.3,0.2來(lái)求客戶最終得分，客戶最終得分在1-5之間。

[plain] view plain copy

    #均值劃分  
    salesRFM0<- salesRFM  
    salesRFM0$rankR<- cut(salesRFM0$Recency, 5,labels=F)  
    salesRFM0$rankR<- 6-salesRFM0$rankR #rankR，5是最近，1是最遠(yuǎn)  
    salesRFM0$rankF<- cut(salesRFM0$Frequency, 5,labels=F) #rankF，1是最少，5是最頻繁  
    salesRFM0$rankM<- cut(salesRFM0$Monetization, 5,labels=F) #rankM，1是最少，5是最多  
    salesRFM0$rankRMF<- 0.5*rankR + 0.3*rankF + 0.2*rankM  


對(duì)Receny、Frequency、Monetary標(biāo)準(zhǔn)化后，以權(quán)重權(quán)重0.5,0.3,0.2來(lái)求客戶最終得分，客戶最終得分在0-1之間。

[plain] view plain copy

    #標(biāo)準(zhǔn)化后劃分  
    salesRFM1<- salesRFM  
    salesRFM1$rankR<-(salesRFM1$Recency-min(salesRFM1$Recency))/(max(salesRFM1$Recency)-min(salesRFM1$Recency))  
    salesRFM1$rankR<- 1-salesRFM1$rankR #rankR，1是最近，0是最遠(yuǎn)  
    salesRFM1$rankF<-(salesRFM1$Frequency-min(salesRFM1$Frequency))/(max(salesRFM1$Frequency)-min(salesRFM1$Frequency))#rankF，0是最少，1是最頻繁  
    salesRFM1$rankM<- (salesRFM1$Monetization-min(salesRFM1$Monetization))/(max(salesRFM1$Monetization)-min(salesRFM1$Monetization))#rankM，0是最少，1是最多  
    salesRFM1$rankRMF<- 0.5*salesRFM1$rankR + 0.3*salesRFM1$rankF + 0.2*salesRFM1$rankM  

以上用到的權(quán)重需要根據(jù)實(shí)際情況考量選定。得到的客戶評(píng)分rankRMF，是客戶細(xì)分的一個(gè)參考依據(jù)，實(shí)際場(chǎng)景中，我們可能還有客戶的其他數(shù)據(jù)，可以綜合來(lái)看。