时间: 2021-07-30 09:18:47 人气: 15 评论: 0
通过RFM方法，我们根据用户的属性数据分析，对用户进行了归类。在推送、转化等很多过程中，可以更加精准化，不至于出现用户反感的情景，更重要的是，对产品转化等商业价值也有很大的帮助。
应用背景：
在产品迭代过程中，通常需要根据用户的属性进行归类，也就是通过分析数据，对用户进行归类，以便于在推送及转化过程中获得更大的收益。
分析方法：
RFM分析（Recency，Frequency，Monetary）
分析工具：
SPSS（数据分析的重量级应用，与SAS二选一）
所谓探索性分析，主要是运用一些分析方法从大量的数据中发现未知且具有价值信息的过程。
常用的探索性分析方法包括：RFM分析、聚类分析、因子分析、对应分析等。
RFM的含义：
RFM分析就是根据客户活跃程度和交易金额的贡献，进行客户价值细分的一种方法。
RFM总分值：RFM=RS*100+FS*10+MS*1
RFM分析的主要作用：
RFM的假设前提：
假设交易的可能性：
RFM接受的数据格式有两种：
我们通常采用交易数据的格式进行分析。因为交易数据可以整理成客户数据，而客户数据无法还原成交易数据。即用交易数据的字段可以得到客户数据的字段，反之不行。
具体是“交易数据”还是“客户数据”根据数据源文件的格式而定。
变量：选择各个变量。
分箱化：评分的总分是多少。
保存：生成哪些新的变量，可以自定义名称。
输出：可以全部勾选，为了能全面的解读RFM分析结果。
确定后，生成了四个新的变量：
该图主要用来查看每个RFM汇总得分的客户数量分布是否均匀。
我们期望均匀的分布，若不均分，则应该重新考虑RFM的适用性或尝试另一种分箱方法（减少分箱数目或随机分配绑定值）。
“RFM热图”是交易金额均值在RS和FS绘制的矩阵图上的图形化表示，用颜色深浅表示交易金额均值的大小，颜色越深，表示相应矩阵块内的客户交易金额均值越高。
如本例随着RS和FS的分值增大，颜色越来越深，说明客户最近一次交易时间越近、交易次数越多，其平均交易金额越高。
该图是最后一次交易时间、交易总次数、交易总金额之间的散点图。
通过散点图可以清晰直观的看到三个分析指标两两之间的关系，便于指标相关性评估。
本例中，交易总次数和交易总金额存在较为明显的线性关系，而最后一次交易时间和另外两个分析指标之间的相关性较弱。
为客户分组，即将三个指标分别分为“高”和“低”两种，高于均值的为“高”，低于均值的为“低”。
因此有三件事要做：
第一步，先计算各个指标的平均值。
一定要勾选平均值，否则输出结果中没有“平均值”。
现在我们得到了各个变量的平均分：3.33，2.99，3.01。
第二步，将各个变量高于平均分值的定义为“高”，否则为“低”。
按照1-2-3-4-5的步骤设置高于平均值的为“2”，也可以设置为“高”
同理去设置FS和MS。
设置后结果如下：
可以在变量设置里设置标签，1代表“低”，2代表“高”，也可以在“重新编码到不同变量”里面设置时就直接定义为“高低”，而不是“1和2”。
第三步：通过各个变量的高低组合，确定客户类型。
第三区域：可以是公式，也可以是具体的数字，其实这里就是输出结果。
第四区域：表示满足的条件。
同理在“变量设置”里对标签就行设置就行。
最终分析结果如下：
通过RFM方法，我们根据用户的属性数据分析，对用户进行了归类。在推送、转化等很多过程中，可以更加精准化，不至于出现用户反感的情景，更重要的是，对产品转化等商业价值也有很大的帮助。
作者：膝盖哥，是一枚“跪着提需求”的产品经理。常说“不用不用，真的不用了，我跪着就好！”
本文由 @膝盖哥 原创发布于人人都是产品经理。未经许可，禁止转载。
