RFM模型算法

RFM 模型 一 RFMT 模型介绍 1 二 RFMT 模型建立 2 1 指标权重确立 2 1 1 建立判断矩阵 2 1 2 归一化处理 3 1 3 计算判断矩阵的最大特征根 max 4 2 R F M T 值的标准化 5 3 计算单个客户的价值得分 5 4 将客户分类 计算每一类客户的价值得分 5 三 存在问题与优化方向 7 一 RFMT 模型介绍 在营销活动中 每个客户的价值因其购买能力和实际需求的不同而各不相同 寻找一 种工具来辨别客户价值至关重要 客户价值模型的建立可以对客户进行排序分类 然后对 客户进行个性化营销 本文为南航精准营销体系的建立引入了 RFMT 模型 它以客户关系领域广泛用来衡量 客户价值和描述客户行为的 RFM 模型为基础 拓展而成 RFMT 模型有四个指标 如下 R Recency R 表示用户最近一次购买南航机票的时间间隔 理论上 最近一次消费时间越近的用 户应该是比较好的用户 对提供即时的商品或是服务也最有可能会有反应 R 指标主要刻 画了用户对南航网站的关注程度 F Frequency F 表示用户在限定时间内购买机票的频率 消费频率越高的用户 其满意度和忠诚度 也就越高 F 指标主要刻画了用户对南航的忠诚度 M Monetary M 表示用户在限定时间购买南航机票的平均金额 消费金额是所有数据库报告的支柱 直接反应了南航的盈利情况 M 指标主要刻画了用户的购买力 T Topest T 表示单次购买的最高金额 反映的是客户一次性消费的最高能力 RFMT 模型以上述四个指标为替代变量 通过指标标准化和赋予权重来计算客户价值 然后根据用户价值来进行均值聚类分析 将用户分成不同的类别 作为南航精准营销的基 础 二 RFMT 模型建立 研究对象 南航购票客户 客户定位 姓名 证件号码 数据 2013 年 1 月 1 日 2013 年 1 月 31 日的官网销售数据 20 万条销售记录 模型涉及 数据分析 网站营销 网站推广 执行问题 数据提取用时久 需设备支持 1 指标权重确立 本文用层次分析法来确定模型各个指标的权重 层次分析法 Analytic Hierarchy Process 简称 AHP 是将与决策总是有关的元素分解成目标 准则 方案等层次 在此基础 之上进行定性和定量分析的决策方法 步骤如下 1 1 建立判断矩阵 首先进行人为的定性判定 因为在价值评估中客户的消费额对于企业的利润贡献度较 大 所以一般来说 M 应该具有最高的重要性 F 重在衡量客户的忠诚度 忠诚度越高 对 于企业的价值也越高 所以 F 也会占到一定的比例 而最高消费额 T 在一定程度上可以体 现客户的消费能力 这个因素对于区分价格敏感型的客户有参考作用 R 最近一次消费则 是关系到一个客户的最近情况 由于对与航空业来说客户的需求不连续 所以 R 指标对于 衡量客户价值权重不高 但从理论上说最近有购买的客户会比更长时间之前购买的客户对 南航具有更高的产品关注度 营销效果也会好点 所以把 R 也当作其中一个指标参考 对于这四个指标 首先需要通过专家评估法来对各项指标进行两两对比 对比的标准 如下图所示 表 层次分析法标度表 标度 定义与说明 1 两个元素对属性具有同样的重要性 3 两个因素比较 一个因素比另外一个元素稍微重要 5 两个因素比较 一个因素比另外一个元素明显重要 7 两个因素比较 一个因素比另外一个元素非常重要 9 两个因素比较 一个因素比另外一个元素极端重要 2 4 6 8 表示需要在两个标准中折衷 1 bij 两个元素间的反比较 本文采用专家评估法来确定指标之间的重要性 其中根据实际情况 专家人群选取了 论文小组成员 首先评估人员对四个指标进行定性判定 由于在价值评估中客户的消费额对于企业的 利润贡献度较大 所以一般来说 M 应该具有最高的重要性 F 重在衡量客户的忠诚度 忠 诚度越高 对于企业的价值也越高 所以 F 也会占到一定的比例 而最高消费额 T 在一定 程度上可以体现客户的消费能力 这个因素对于区分价格敏感型的客户有参考作用 R 最 近一次消费则是关系到一个客户的最近情况 由于对与航空业来说客户的需求不连续 所 以 R 指标对于衡量客户价值权重不高 然后根据定性判断来对各指标进行两两对比 取评估人员的平均值 可得 R F M T R 1 1 5 1 7 1 4 F 5 1 1 2 2 M 7 2 1 3 T 4 1 2 1 3 1 1 2 归一化处理 矩阵每一列元素的总和 R F M T R 1 1 5 1 7 1 4 F 5 1 1 2 2 M 7 2 1 3 T 4 1 2 1 3 1 各列之和 17 00 3 70 1 98 6 25 归一化处理 R F M T R 0 06 0 06 0 08 0 14 F 0 29 0 27 0 25 0 32 M 0 41 0 54 0 51 0 48 T 0 14 0 04 0 17 0 06 判断矩阵的特征向量 R F M T 各行之和 R 0 06 0 05 0 07 0 04 0 33 F 0 29 0 27 0 25 0 32 1 13 M 0 41 0 54 0 51 0 48 1 44 T 0 14 0 04 0 17 0 06 0 32 对向量 0 22 1 13 1 44 0 32 T 进行归一化处理 得 R F M T 判断矩阵w 的特征向量 W 0 13 0 34 0 43 0 10 1 3 计算判断矩阵的最大特征根 max0 6 50 7 40 6 23292381 41 1 97 BW 4 05 其中 Bw i 表示向量 Bw 的第 i 个元素 1 max niiw 1 4 一致性检验 矩阵一致性指标 CI 0 02 max 1nCI RI 取值表 n 1 2 3 4 5 6 7 8 9 10 RI 0 0 0 58 0 9 1 12 1 24 1 32 1 41 1 45 1 49 计算随机一致性比率 CR 0 022 0 1 CIR 当 CR 0 1 时 认为层次总排序通过一致性检验 所以最后确定 R F M T 的权重分 别为 0 13 0 34 0 43 0 10 故 WF WR WM WT 0 13 0 34 0 43 0 10 有价值的客户访问时间间隔 消费总额 单次最高 消费金额 0 100 13 0 43消费频率 0 34 2 R F M T 值的标准化 对各属性进行规格化变换 规格化变换又称为极差正规比变换 它是从数据矩阵中的 每一个变量最大值和最小值 并用最大值减去最小值得出极差 然后用每一个原始数据减 去该变量中的最小值 再除以极差 即得到规格化数据 标准化公式 X X XMIN XMAX XMIN 1 X XMAX X XMAX XMIN 2 其中 X 是标准化的 R F M T 值 X 是原值 X MAX 和 XMIN 分别是该指标的最大 值和最小值 由于 F M T 指标的影响是正向的 所以适用式 1 而 R 得指标影响是负 向的 适用式 2 根据 2013 年 1 月的销售数据 得 XRMIN 0 X RMIAX 30 X FMIN 1 X FMAX 42 X MMIN 0 X MMAX 40690 X TMIN 0 X TMAX 35 630 3 计算单个客户的价值得分 对标准化后的 R F M T 进行加权求和 得到每个客户的价值得分 公式如下 SRFMT Wr Xr Wf Xf Wm Xm Wt Xt 3 式中 SRFM 表示客户的 RFMT 价值得分 W r W f W m 分别表示 R F M 各指标的权 重 X r Xf Xm X t 分别表示标准化后的 R F M T 值 如下表所示 客户 R F M T 价值 1 13 19 30570 7100 0 72 2 9 18 13870 1950 0 49 3 14 18 29980 7100 0 69 4 5 16 40690 4720 0 8 5 20 14 3280 640 0 27 6 2 14 30790 6300 0 67 7 6 13 5070 1380 0 31 8 1 12 16950 2710 0 45 9 14 12 27970 7100 0 58 10 7 11 3350 1220 0 26 11 0 11 4590 1320 0 29 12 6 11 3960 1020 0 26 13 7 11 5510 980 0 28 14 5 10 6930 1640 0 29 15 3 10 14670 3130 0 39 16 6 10 4110 840 0 25 17 8 10 7660 1950 0 29 18 14 10 6420 1640 0 26 19 15 10 6950 1640 0 27 20 0 10 5660 3000 0 29 21 5 10 5590 1140 0 27 22 9 9 7900 2340 0 28 23 1 9 17060 5950 0 43 24 3 9 2530 690 0 22 4 将客户分类 计算每一类客户的价值得分 使用 K 均值聚类法时 需要预先判断其聚类的类别数 在模型中客户分类通过每个顾 客类别 RFMT 平均值与总 RFMT 平均值相比较来决定的 而单个指标的比较只能有两种情 况 大于 等于 或小于平均值 因此可能有 16 种类别 利用 SPSS 我们也可以知道那位客户 属于哪个类别 通过 RFM 分析将南航的客户群体划分成重要保持客户 重要发展客户 重要挽留客户 一般重要客户 一般客户等 5 个级别 各客户级别如下表所示 客户分级不仅揭示了客户 在级别上的差异 而且反映了客户在行为上的特性和变化倾向 针对不同等级的客户 采 取不同的管理策略 但是 这种分类只是确定了客户的等级 却没有各类客户之间的一个 量化的价值比较 因而对各类客户做相应的价值分析是非常有必要的 标准化的 RFM 加权分类 客户类别 客户数量 R F M T 每类价值 客户级别 排序 1 5 0 53 0 84 0 52 0 16 0 59 重要保持 1 2 1824 0 89 0 19 0 08 0 05 0 22 重要发展 2 3 18019 0 97 0 03 0 03 0 03 0 15 重要挽留 3 4 4 0 93 0 65 0 65 0 16 0 64 重要保持 1 5 32567 0 29 0 03 0 0 0 07 一般重要 5 6 8 0 53 0 1 0 76 1 01 0 53 重要保持 1 7 16473 0 77 0 05 0 04 0 03 0 14 重要挽留 3 8 8 0 84 0 1 0 76 0 98 0 57 重要保持 1 9 59 0 68 0 13 0 37 0 44 0 34 重要保持 2 10 26949 0 45 0 03 0 02 0 02 0 08 一般重要 5 11 17843 0 87 0 03 0 03 0 03 0 14 重要挽留 3 12 1267 0 53 0 12 0 13 0 14 0 18 重要挽留 3 13 764 0 84 0 09 0 15 0 17 0 22 重要发展 2 14 22817 0 68 0 03 0 03 0 03 0 11 一般 4 15 39924 0 12 0 03 0 0 0 04 一般重要 5 16 21467 0 56 0 03 0 03 0 03 0 1 一般 4 均值 0 66 0 16 0 23 0 21 0 26 客户分类后 并不知道每一类客户的价值差别有多大 相对企业的重要性怎样 利用 AHP 法分析得到的 RFMT 各指标权重 并结合各类顾客的标准化后 RFMT 指标 可以得到 每个类别客户的价值得分 在进行客户分类后再对客户的类别进行顾客终身价值排序 使得企业能够量化各类客 户的价值的差别 弥补了的客户分类方法的不足 这有助于企业制定更为可行的客户政策 由于受到成本的制约 南航不可能提供完全的 无差别的个性化服务 只能将资源先集中 在少数几类对企业重要的客户上 按照总得分的排列情况 企业应该优先将资源投放到总 得分较高的客户身上 三 存在问题与优化方向 RFM 模型是业界内普遍认可的 可有效区分客户价值的分析方法 而结合航空业来说 RFM 这几个指标在应用中也会有所不同 而这几个指标也是在评估客户价值中比较关键的 要更全面的评估客户的价值 应该需要结合他的个人信息如年龄 收入 职业等 不过这 些信息在现阶段数据体系中也不一定有或者可用 1 R 指标问题及优化 问题 R Recency 值的是用户最近一次访问网站到某时刻的时间间隔 它衡量的是 用户对网站的关注 如果 R 越小 则表示用户对网站的关注度高 其表现出的用户价值就 越高 反之则越低 问题 仅用用户最近的一次访问来刻画用户对南航的关注度 并不够全面 比如有 A B 两 个用户 他们对官网的访问轨迹如下 从上图可以看出 用户 A 的 R 比 B 小 按照模型用户 A 的价值会比较高 但是同样可 以看出 B 的访问比较密集 而且次数和 A 一样 可能他偶然刚好有一段时间没有访问 所 以导致其价值变低 优化方案 在以后模型的发展中 可以考虑用户更多的访问次数 而不只是最近的一次 而是最 近 n 次 鉴于不同访问次数时间越靠前其价值越高 所以可以给每一次购买 访问 时间 赋予一定权重来描述其重要性 如下 次数 最近第 1 次 最近第 2 次 最近第 3 次 最近第 n 次 时间间隔 T1 T2 T3 Tn 权重 W1 W2 W3 Wn 所以 R 代表的时间间隔计算如下 R i 1 2 3 n niT1 比如模型选取最近的 4 次访问 其权重依次如下 0 1 0 2 0 3 0 4 所以 R 代表的时 间间隔 TR 0 4 T1 0 3 T2 0 2 T3 0 1 T4 如果能够记录用户的每次来访 就可以将所有的访问纳入 R 的计算中 使得模型更加 全面 2 指标自身问题 根据根据美国数据库营销研究所 Arthur Hughes 的研究 客户数据库中有三个神奇的要 素 这三个要素构成了数据分析最好的指标 消费 Recency 消费频率 Frequency 消费 金额 Monetary 因此建立了 RFM 模型来衡量客户价值 而本文建立的 RFMT 模型是由 RFM 模型变化拓展而来 其中新增了 T 表示该段时间内用户消费的最高金额 问题 1 指标间存在一定的相关性 对于模型中的四个指标 R F M T R 与 F 有较大的相关性 F 越大的时候 R 越大的 几率较大 M 与 T 有较大的相关性 M 越大的时候 T 越大的几率较大 在价值衡量模型中 出现相关性较大的指标 这样模型会显得冗余 一个优秀的模型的标志是用最少数量的指标来刻画模型特征 所以在后期可以对 RFMT 模型进行精简 抓住主要的 F 消费频率 和 M 消费总金额 指标来进行分析 问题 2 指标局限性 RFMT 是衡量用户的价值的代表性指标 描述的主要是用户行为特征 这些指标还不 能涵盖用户绝大多数的行为特征 所以说该模型具有局限性 同时 本文用 R 时间间隔 来描述用户对网站的关注程度 但是更好的标准应该是 用户对南航官网的访问频率 它可以更好地判断一个用户对机票的需求程度 访问越频繁 的代表越有需求 但是现有数据并不支持将客户每次的访问都记录下来 而且也不能知道 访问的是否是同一个人 优化方案 在可获取前提下 深入研究有哪些因素可以作为衡量用户价值的指标因素 后期可以 做模型扩展 将用户的其他特征指标加进来 比如职位 收入等个人信息 建立一个更加 全面和准确的用户价值体系 3 模型落实问题 在此 我们利用 RFMT 模型只做到了分析这一个月的时间内的单个客户的价值 客户 分类及每类的重要程度 接下来要做的是 优化模型 研究南航全部的销售数据 如何利 用得出的结论进行营销