用微博以后,博客更新少了,抱歉!前段时间大家对RFM模型的一篇微博和我写的RFM博客文章感兴趣;今天我主要讲解采用数据挖掘技术来分析RFM模型!
新浪微博:@数据挖掘与数据分析:RFM模型:R(Recency)表示客户最近一次购买的时间有多远,F(Frequency)表示客户在最近一段时间内购买的次数,M (Monetary)表示客户在最近一段时间内购买的金额。一般原始数据为3个字段:客户ID、购买时间、购买金额,用数据挖掘软件处理,加权(考虑权重)得到RFM得分,对得分排序,输出营销名单topN!
上图来自于@数据挖掘与数据分析
下面我们采用IBM Modeler 14.1版本操作RFM模型:(采用数据挖掘技术来分析RFM是一件简单的工作,因为软件非常智能化,或者说基本上内置了自动RFM分析模块)
首先:我们读取数据,假设我们拥有近7万条交易数据,包含客户ID,交易日期和交易量;一般来讲,对于交易数据为了节省存储空间,时间字段都是文本型,所以我们先采用填充字段将Date变成真正的日期型字段;
因为IBM Modeler14.1的RFM模块对字段的特定要求,我们先变化,记住要选择“始终”
这样我们就可以选择RFM变换节点,为RFM分析准备R-近因、F-频次、M-货币交易数据了;从记录选项中选择RFM汇总节点
注意:这个时候你可以选择时间点:指定时间或分析时间
到这里,你会发现,非常简单,节点自动将交易数据集汇总转换为RFM分析数据集:近因、频次和货币;
现在我们需要将三个字段进行分割:从字段选项中选择RFM分析节点,
指定三个RFM字段近因、频次和货币后,我们需要决定分箱数和权重,一般来讲:针对不同的产品和促销,需要考虑不同的客户意愿,往往近因权重大些,其次是光顾频次;我这里进行了简单处理:所以权重都是一样,赋权重=10;
RFM分析节点字段完成了基础RFM分析,得到每一个客户的近因、频次和货币得分,进而计算加权求和得到RFM得分。
传统的RFM分析到此就差不多了,我们需要将客户RFM得分排序,选择RFM得分最高的2000人进行促销!
真正的商业战役需要建立客户响应模型,将RFM得分与客户资料库和响应数据进行关联,从而有针对性的建立响应模型:
一般来讲,假定企业拥有100万会员资料库和历史交易数据,可以在没有建立数据挖掘模型前,随机选择1万人进行促销,记录这1万人的响应情况,然后根据这 1万人的响应数据0-1,建立RFM为自变量的响应模型,然后根据模型对100万用户进行客户响应打分,选择10万人进行促销,可以提升促销的ROI;
前面一篇博客文章是采用IBM SPSS Statistics进行RFM分析的,现在我们可以看到数据挖掘软件分析更方便、更系统,当然也更直观可操作!
客户响应模型关注稍候博客文章!