在眾多的客戶關系管理分析模式中，應用最廣泛的就是RFM模型，它可以通過一個客戶的近期購買行為、購買的頻率以及花了多少錢三項指標來描述客戶的價值情況。

RFM模型用戶分群是介于千人千面的個性化運營和未加區分粗放式運營的一種折中方式。相比于千人千面的個性化運營，基于RFM用戶價值分群實現簡單、開發周期短，更能從整體層面判斷用戶的價值。

一.什么是RFM模型？

R代表消費時間間隔（Recency），指用戶最近一次發生購買行為，距離今天的天數。F代表消費頻率（Frequency），指用戶在一段時間內，發生購買行為的次數。M代表消費金額（Monetary），指用戶在某一段時間內，購買商品金額的總和。RFM模型從三個維度評價用戶的總體價值類型，根據單個類別用戶的分值和總均值的關系，將用戶分為如下8類。

二.如何構建RFM模型？

通過RFM就可以幫我們了解哪些是重要價值客戶？哪些是需要重點保持聯系的客戶？哪些是重要發展客戶？哪些是重要挽留客戶？他們都有什么特點？接下來介紹一下如何建立RFM模型。

第一種方法是基于規則的劃分，可計算全體用戶平均消費頻率、平均消費時間間隔、平均消費金額，對每個用戶從R、F、M角度與全體用戶的平均水平做比較，從各維度劃分出用戶的價值。

另一種方法是基于聚類方法的劃分，此方法與基于規則劃分方式不同，是通過“物以類聚”的思想，將每個用戶的R、F、M三個維度特征數據進行聚類。通常可以采用k-means聚類的方式劃分用戶分群。k-means是通過計算不同樣本的距離來判斷它們的相近關系，將相近的樣本放到同一個類別中。

具體原理如下：

對于給定的樣本集，按照樣本之間的距離大小，將樣本集劃分為K個簇。讓簇內的點盡量緊密的連在一起，而讓簇間的距離盡量的大。

步驟1：

隨機取k個初始中心點

步驟2：

對于每個樣本點計算到這k個中心點的距離，將樣本點歸到與之距離最小的那個中心點的簇。這樣每個樣本都有自己的簇了

步驟3：

對于每個簇，根據里面的所有樣本點重新計算得到一個新的中心點，如果中心點發生變化回到步驟2，未發生變化轉到步驟4

步驟4：

得出聚類結果

如下表是用戶數據，該數據包括用戶ID、消費頻次、消費金額、用戶最近一次消費距離今日期。

將數據上傳到永洪desktop，利用自帶的深度分析模塊中的聚類算法可實現k-means聚類如下圖：

通過上面的分析就可以獲得用戶的分類結果，如下：

從各人群特征可以看出，第一類人群消費時間間隔較長，消費次數較少，且消費金額低，是價值較低的用戶群體，做次要運營；第二類人群消費時間間隔較短，消費次數較多，同時消費金額處于中等水平，是重點運營的用戶群；第三類人群消費時間間隔最短，消費次數最多且消費金額最大，屬于高價值用戶群體，應做重點維護。

綜合以上分析，RFM模型在產品精細化運營中發揮著重要的作用，運用RFM模型可幫助篩選目標客戶群，從而帶來更高的流量和訂單轉化。

fqj