精华内容
下载资源
问答
  • RFM

    2019-04-29 07:57:07
    RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中,RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户...

    RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中,RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。
    在这里插入图片描述
    参考 http://www.woshipm.com/data-analysis/708326.html

    展开全文
  • rfm

    2020-08-08 13:53:55
    rfm小记 df.info() size用法 import numpy as np X=np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]]) number=X.size # 计算 X 中所有元素的个数 X_row=np.size(X,0) #计算 X 的行数 X_col=np.size(X,1) #计算 X ...

    rfm小记

    在这里插入图片描述
    df.info()
    size用法
    import numpy as np
    X=np.array([[1,2,3,4],
    [5,6,7,8],
    [9,10,11,12]])

    number=X.size # 计算 X 中所有元素的个数
    X_row=np.size(X,0) #计算 X 的行数
    X_col=np.size(X,1) #计算 X 的列数

    print(“number:”,number)
    print(“X_row:”,X_row)
    print(“X_col:”,X_col)

    <<
    number: 12
    X_row: 3
    X_col: 4

    shape用法
    import numpy as np
    X=np.array([[1,2,3,4],
    [5,6,7,8],
    [9,10,11,12]])

    X_dim=X.shape # 以元组形式,返回数组的维数
    print(“X_dim:”,X_dim)
    print(X.shape[0]) # 输出行的个数
    print(X.shape[1]) #输出列的个数

    <<
    X_dim: (3, 4)
    3
    4

    len用法
    import numpy as np
    X=np.array([[1,2,3,4],
    [5,6,7,8],
    [9,10,11,12]])

    length=len(X) #返回对象的长度 不是元素的个数
    print(“length of X:”,length)

    <<
    length of X: 3

    norm_comparision_plot()函数
    pd.cut():
    r_bins = [0, 30, 60, 90, 120, 10000000000]
    r_labels = [5, 4, 3, 2, 1]
    rfm[‘r_score’] = pd.cut(rfm[‘R’], bins=r_bins, labels=r_labels, right=False)
    bins为切割区间段,labels为每个区间段的标签。无标签的情况下输出列默认为区间。

    修改列名:df.rename(columns={‘原列名’:‘新列名’},inplace=True)

    展开全文
  • Felix Rusu( 原始存储库和代码适用于RFM69W,RFM69HW,RFM69CW,RFM69HCW的RFM69库(Semtech SX1231,SX1231H) 在该的中找到了最新的示例,新功能和错误修复。 ## License GPL 3.0,请参阅文件以获取详细信息。 ...
  • 作者:Felix Rusu, 适用于RFM69W,RFM69HW,RFM69CW,RFM69HCW的RFM69库(Semtech SX1231,SX1231H) 在该的中找到了最新的示例,新功能和错误修复。 执照 GPL 3.0,请参阅文件以获取详细信息。 确保此库的任何...
  • RFM92 RFM95 RFM96 RFM98 Lora分支板NRF24L01插座 这是一个实用的分线板,用于将Lora设备连接到NRF24L01插槽 此突破还添加了其他一些不错的功能: 添加了用于加密身份验证的ATSHA204。 添加了一个LED,以查看发生...
  • RFM.py

    2021-06-08 01:37:50
    RFM.py
  • RFM集群
  • RFM119B 是一款+20dBm 大功率、高性能、支持 127 至 1020 MHz 频率,OOK,(G)FSK 调制的射频模块。 RFM119B 高集成度,简化了系统设计中所需的外围物 料,极其方便用户进行二次开发应用。配套RFM219B使用,用于无线...
  • WeMos-Lora, 用于 HopeRF RFM95 RFM96 RFM98 Lora模块的ESP8266 WeMos屏蔽 用于 HopeRF RFM95 RFM96 RFM98 Lora模块的 ESP8266 WeMos屏蔽这个屏蔽被用来保存 HopeRF Lora MODULE的软件和ESP8266板,它只有很少的特性...
  • RFM模型

    2021-05-16 10:22:24
    RFM模型 从事用户运营多年,一直都是在不断摸索中成长。从毕业后进入到国内知名化妆品公司-电商事业部,再到到国内top3坚果零食企业,一直都想花时间把自己对用户这一块的摸索积累记录下来,同时...

     RFM模型

     

     

    从事用户运营多年,一直都是在不断摸索中成长。从毕业后进入到国内知名化妆品公司-电商事业部,再到到国内top3坚果零食企业,一直都想花时间把自己对用户这一块的摸索积累记录下来,同时用自己的实践即使可以给大家一点点帮助也觉得很有意义。

    今天想先谈谈传统企业和电商谈的较多的RFM模型,在众多的用户价值分析模型中,RFM模型是被广泛被应用的;RFM模型是衡量客户价值和客户创利能力的重要工具和手段。

    一、RFM模型概述

    RFM模型是网点衡量当前用户价值和客户潜在价值的重要工具和手段。RFM是Rencency(最近一次消费),Frequency(消费频率)、Monetary(消费金额),三个指标首字母组合,如图所示:

    RFM模型

    R值:最近一次消费(Recency)

    消费指的是客户在店铺消费最近一次和上一次的时间间隔,理论上R值越小的客户是价值越高的客户,即对店铺的回购几次最有可能产生回应。目前网购便利,顾客已经有了更多的购买选择和更低的购买成本,去除地域的限制因素,客户非常容易流失,因此CRM操盘手想要提高回购率和留存率,需要时刻警惕R值。

    如下图,某零食网店用户最近一次消费R值分布图(时间截至2016年12月31日):

    1、客户R值呈规律性的“波浪形”分布,时间越长,波浪越小;

    2、最近一年内用户占比50%(真的很巧);

    数据分析:这个数据根据向行业内专业人员请教,已经是比较理想了的。说明每引入2个客户,就有一位用户在持续购买。说明店铺复购做的比较好,R值在不断的变为0。

    F值:消费频率(Frequency)

    消费频率是客户在固定时间内的购买次数(一般是1年)。但是如果实操中实际店铺由于受品类宽度的原因,比如卖3C产品,耐用品等即使是忠实粉丝用户也很难在1年内购买多次。所以,一般店铺在运营RFM模型时,会把F值的时间范围去掉,替换成累计购买次数

    如下图,某零食网店用户购买频次图(如1个客户在1天内购买多笔订单,则自动合并为1笔订单):

    1、购买1次(新客户)占比为65.5%,产生重复购买(老客户)的占比为34.4%;

    2、购买3次及以上(成熟客户)的占比为17%,购买5次及以上(忠实客户)的占比为6%。

    数据分析:影响复购的核心因素是商品,因此复购不适合做跨类目比较。比如食品类目和美妆类目:食品是属于“半标品”,产品的标品化程度越高,客户背叛的难度就越小,越难形成忠实用户;但是相对美妆,食品又属于易耗品,消耗周期短,购买频率高,相对容易产生重复购买,因此跨类目复购并不具有可比性。

    M值:消费金额(Monetary)

    M值是RFM模型中相对于R值和F值最难使用,但最具有价值的指标。大家熟知的“二八定律”(又名“帕雷托法则”)曾作出过这样的解释:公司80%的收入来自于20%的用户。

    这个数据我在自己所从事的公司总都得到过验证!可能有些店铺不会那么精确,一般也很会控制在30%客户贡献70%收入,或者40%贡献60%收入。

    理论上M值和F值是一样的,都带有时间范围,指的是一段时间(通常是1年)内的消费金额,在工作中我认为对于一般店铺的类目而言,产品的价格带都是比较单一的,比如:同一品牌美妆类,价格浮动范围基本在某个特定消费群的可接受范围内,加上单一品类购买频次不高,所以对于一般店铺而言,M值对客户细分的作用相对较弱。

    所以我认为用店铺的累计购买金额和平均客单价替代传统的M值能更好的体现客户消费金额的差异。

    教大家一个特别简单的累积金额划分方法:将1/2的客单价作为累积消费金额的分段,比如客单价是300元,则按照150元进行累计消费金额分段,得出十个分段。

    现以国内某知名化妆品店铺举例,店铺平均客单为160元,因此以80元作为间隔将累积消费金额分段,从表中可以很明显发现,累计消费160元以下用户占比为65.5%(近2/3),贡献的店铺收入比例只占31.6%(近1/3),具体如下:

    二、基于RFM模型的实践应用

    作为CRM操盘手,主要有两种方法来分析RFM模型的结果:用基于RFM模型的划分标准来进行客户细分,用基于RFM模型的客户评分来进行客户细分。

    1、基于RFM模型进行客户细分

    CRM实操时可以选择RFM模型中的1-3个指标进行客户细分,如下表所示。切记细分指标需要在自己可操控的合理范围内,并非越多越好,一旦用户细分群组过多,一来会给自己的营销方案执行带来较大的难度,而来可能会遗漏用户群或者对同个用户造成多次打扰。

    最终选择多少个指标有两个参考标准:店铺的客户基数,店铺的商品和客户结构。

    店铺的客户基数:在店铺客户一定的情况下选择的维度越多,细分出来每一组的用户越少。对于店铺基数不大(5万以下客户数)的店铺而言,选择1-2个维度进行细分即可。对于客户超过50万的大卖家而言可以选择2-3个指标。

    店铺的商品和客户结构:如果在店铺的商品层次比较单一,客单价差异幅度不大的情况下,购买频次(F值)和消费金额(M值)高度相关的情况下,可以只选择比较容易操作的购买频次(F值)代替消费金额(M值)。对于刚刚开店还没形成客户粘性的店铺,则可以放弃购买频次(F值),直接用最后一次消费(R值)或者消费金额(M值)。

    通过RFM模型评分后输出目标用户

    除了直接用RFM模型对用户进行分组之外,还有一种常见的方法是利用RFM模型的三个属性对客户进行打分,通过打分确定每个用户的质量,最终筛选出自己的目标用户。

    RFM模型评分主要有三个部分:

    1、确定RFM三个指标的分段和每个分段的分值;

    2、计算每个客户RFM三个指标的得分;

    3、计算每个客户的总得分,并且根据总得分筛选出优质的客户

    比如,实操的过程中一般每个指标分为3-5段,其中R值可以根据开店以来的时间和产品的回购周期来判定,F值根据现有店铺的平均购买频次,M值可参考上文客单价的分段指标。

    举个例子:

    确认RFM的分段和对应分段的分值之后,就可以按照用户情况对应进行打分。

    这个时候可能有人会对此产生质疑,我如何验证这个给予的分值就是合理的呢?确实我也暂时没有办法给予和科学研究的回复,如果需要验证的话,每次对用户数据进行导入之后,需要用算法模型进行回归验证。

    但是这样太复杂也太麻烦,如果有朋友感兴趣的话可以进行验证,能够根据不同店铺的情况,对于每个指标的赋值进行一个更加科学合理的定值。

    运营DEMO: RFM用户价值模型的原理和应用

    在众多的用户价值分析模型中,RFM模型是被广泛被应用的;RFM模型是衡量客户价值和客户创利能力的重要工具和手段,在RFM模式中,R(Recency)表示客户购买的时间有多远,F(Frequency)表示客户在时间内购买的次数,M

    (Monetary)表示客户在时间内购买的金额。

    一般的分析型CRM着重在对于客户贡献度的分析,RFM则强调以客户的行为来区分客户。在实际应用中根据业务不同会有参考的数据维度也会有诸多变变种。

    RFM模型的意义

    RFM模型较为动态地显示了一个客户的全部轮廓,这对个性化的沟通和服务提供了依据,同时,如果与该客户打交道的时间足够长,也能够较为精确地判断该客户的长期价值,通过改善三项指标的状况,从而为更多的营销决策提供支持。

    RFM模型的应用,旨在建立一个用户行为报告,这个报告会成为维系顾客的一个重要指标。

    所以RFM模型大量的应用于营销层面,用以刺激新用户持续的消费、留存。同时也能作为监控业务用户健康度的重要指标,报告如果显示上一次购买很近的客户,人数如增加,则表示该公司是个稳健成长的公司;反之,如上一次消费为一个月的客户越来越少,则是该公司迈向不健全之路的征兆。

    这里多提一句,单一功能性消费的垂直业务,常常会陷入只追求成交额的短期目标,而忽视与用户建立长期的关系,与用户持续保持往来,赢得用户忠诚度,是对业务更为长效的目标。

    用客户绝对贡献金额来分析客户是否流失,有时会曲解客户行为。因为每个商品价格可能不同,对不同产品的促销有不同的折扣,所以采用相对的分级(例如R、F、M都各分为五级)来比较消费者在级别区间的变动,则更可以显现出相对行为。

    企业用R、F的变化,可以推测客户消费的异动状况,根据客户流失的可能性,列出客户,再从M(消费金额)的角度来分析,就可以把重点放在贡献度高且流失机会也高的客户上,重点拜访或联系,以最有效的方式挽回更多的用户。

    方法

    运用RFM模型一般是为了细分出最有价值的用户,利用有限的营销资源重点投入,从而价值产出最大化;基于这个目的,我们通常需要将细分出的用户按照RFM模型给出的分级排序,从最好到最差,然后什么都保持正常的方式,如果一段周期内,业务结果和你的排序一致,那么说明你的细分能够相对准确地将有价值的用户从整体用户中划分出来。

    通常运营团队会不断的验证和修订维度,用于提升会员运营的效率,将预算花在该花的地方。

    用户行为是持续变动的,在用户距上一次购买时间满一个月之后,在数据库里就成为消费为两个月的客户;反之,同一天,消费为3个月前的客户作了其下一次的购买,他就成为消费为一天前的顾客,也就有可能在很短的期间内就收到新的营销信息;不断的调整模型划分人群,然后对比业务结果,去验证这套模型的准确性。而模型应用过程中涉及到一种算法和决策树模型。

    K-means算法是硬聚类算法,是典型的基于原型的目标函数聚类方法的代表,它是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则。

    K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量V最优分类,使得评价指标J最小。算法采用误差平方和准则函数作为聚类准则函数。好吧,我承认这玩意儿太绕口,建议有兴趣的去看看诘屈聱牙的原词百科。

    决策树模型是非常基础的数学定律,它决定逻辑推理的过程,并且在现有信息的基础上,决定各种可能的替代选项的置信度。

    很多商业决策都存在不确定性,在面对不确定性时,决策树可以帮助选择最佳行动方针。虽然决策者不知道未知的后果会怎样,但是他一般对可能的后果及各自发生的可能性有所了解。了解的这些信息可以用来选出能获得最大收益的选项,也就是用户下次会不会继续消费。

    案例

    会员运营团队的预算相对于庞大的用户规模,通常会捉襟见肘,所以当我们的预算不多,而且只能提供服务信息给小规模的重点用户时,RFM模型就派上用场了。

    这样的营销所节省下来的成本会很可观 。结合这三个核心指标,我们把顾客分成多个类别,对其进行数据分析,然后制定我们的营销策略。

    以某垂直功能型互联网业务为例,随机抽取100万用户样本,进行数据分析;

    时间间隔:以提取样本的时间点与用户最后一次消费时间作差,看时间间隔平均为多少天。

    消费频次:用户的消费行为平均为几次,最大多少次,最小多少次。

    消费金额:用户消费金额平均为多少,最大最小分别是的多少。

    使用K-means方法,对样本集进行聚类,通常分为8类。

    把聚类结果分为训练集(30%)和测试集(70%),根据训练集生成决策树模型。

    通过RFM分析将客户群体划分成一般保持客户、一般发展客户、一般价值客户、一般挽留客户、重要保持客户、重要发展客户、重要价值客户、要挽留客户等八个级别;

    通过对比业务结果不断修订完善模型的同时,用营销手段进一步扩大重要价值用户群(考虑时间短、频次高、消费高)。

    结语

    消费、消费频率、消费金额是测算消费者价值最重要也是最容易的方法,这充分的表现了这三个指标对营销活动的指导意义,但不代表这三个指标牢不可破,例如嘀嘀(快车、专车、顺风车多业务类型)和支付宝(多功能场景)这种,业务方除了消费金额、频次频次以外,在制定补贴策略的时候,还会考虑用户的跨场景使用,越多的功能业务场景被使用,意味着用户忠诚度越高,这个时候将模型的核心指标增加或者调换,就可以实际应用到辅佐补贴策略上了,这也是为什么别人领券能领5块钱,你只能领1块钱,别人为啥能领到快车券,你只能领到接机专车券的原因了。

     

    参考:案例实操|手把手教你搭建,RFM客户价值分析模型

    参考:如何通俗易懂的理解和应用RFM分析方法(模型)?

    参考:RFM Analysis For Successful Customer Segmentation

    参考:深入解读RFM算法模型-运营实战应用干货

    参考:

    展开全文
  • 适用于HopeRF RFM95 RFM96 RFM98 Lora模块的ESP8266 WeMos Shield 该屏蔽罩用于固定带有WeMos ESP8266板的HopeRF 软件,它仅有很少的功能。 I2C上拉电路位置 经典I2C 128x64 OLED连接器 RFM95 / 96/98 Lora模块的...
  • rfm12b-linux, 用于RFM12B和 RFM69CW RF模块的Linux内核SPI驱动程序 HopeRF rfm12b-linuxHopeRF RFM12B 和 RFM69CW数字射频模块的Linux内核驱动程序。 它面向提供SPI接口的嵌入式Linux板。目前支持 树莓派 。树莓派 ...
  • RFM-LoRa-Shield-示例 这是使用RFM LoRa Shields在2个Arduino之间进行点对点无线通信的示例教程。 请参考我们的页面。
  • RFM RFE

    2021-03-19 00:41:56
    会员价值度模型RFM 1,定义 RFM模型是根据会员最近一次购买时间R(Recency)、购买频率F(Frequency)、购买金额M(Monetary)计算得出RFM得分, 通过这三个维度来评估客户的订单活跃价值,常用来做客户分群或价值...

    会员价值度模型RFM

    1,定义
    RFM模型是根据会员最近一次购买时间R(Recency)、购买频率F(Frequency)、购买金额M(Monetary)计算得出RFM得分,
    通过这三个维度来评估客户的订单活跃价值,常用来做客户分群或价值区分。该模型常用于电子商务(即交易类)企业的会员分析。

    基本实现过程:
    步骤1 设置要做计算时的截止时间节点(例如2017-5-30),用来做基于该时间的数据选取和计算。
    步骤2 在会员数据库中,以今天为时间界限向前推固定周期(例如1年),得到包含每个会员的会员ID、订单时间、订单金额的原始数
    据集,一个会员可能会产生多条订单记录。
    步骤3 数据预计算。从订单时间中找到各个会员距离截止时间节点最近的订单时间作为最近购买时间;以会员ID为维度统计每个用户的
    订单数量作为购买频率,将用户多个订单的订单金额求和得到总订单金
    额。由此得到R、F、M三个原始数据量。
    步骤4 R、F、M分区。对于F和M变量来讲,值越大代表购买频率越高、订单金额越高;但对R来讲值越小代表离截止时间节点越近,因
    此值越好。对R、F、M分别使用五分位(三分位也可以,分位数越多划分的越详细)法做数据分区,需要注意的是,对于R来讲需要倒过来划分,离截止时间越近的值划分越大。这样就得到每个用户的R、F、M三个变量的分位数值。
    步骤5 将三个值组合或相加得到总的RFM得分。对于RFM总得分的计算有两种方式,一种是直接将三个值拼接到一起,例如RFM得分为
    312、333、132;另一种是直接将三个值相加求得一个新的汇总值,例如RFM得分为6、9、6。

    应用思路:
    思路1:基于三个维度值做用户群体划分和解读,对用户的价值度做分析。例如得分为212的会员往往购买频率较低,针对购买频率低的客户定期发送促销活动邮件;针对得分为321的会员虽然购买频率高但是订单金额低等,这些客户往往具有较高的购买黏性,可以考虑通过关联或搭配销售的方式提升订单金额。
    思路2:基于RFM的汇总得分评估所有会员的价值度价值,并可以做价值度排名;同时,该得分还可以作为输入维度跟其他维度一起作为
    其他数据分析和挖掘模型的输入变量,为分析建模提供基础。

    注:
    1,RFM模型基于一个固定时间点来做模型分析,因此今天做的RFM得分跟7天前做的结果可能不一样,原因是每个客户在不同的时间节点所得到的数据不同。
    2,上述示例中模型的三个维度权重是相同的,可以根据不同企业的需求为RFM设置不同权重值,然后通过加权的形式得到符合运营需求的得分

    会员活跃度模型RFE

    整体活跃度指标中介绍了一种基于加权统计的方法,在此再介绍另一种活跃度模型——RFE模型。
    1,定义:,RFE模型基于用户的普通行为(非转化或交易行为)产生,它跟RFM类似都是使用三个维度做价值评估。RFE模型是根据会员最近一次访问时间R(Recency)、访问频率F(Frequency)和页面互动度E(Engagements)计算得出的RFE得分。其中:
    ·最近一次访问时间R(Recency):会员最近一次访问或到达网站的时间。
    ·访问频率F(Frequency):用户在特定时间周期内访问或到达的频率。
    ·页面互动度E(Engagements):互动度的定义可以根据不同企业的交互情况而定,例如可以定义为页面浏览量、下载量、视频播放数量等。
    2,应用:
    在RFE模型中,由于不要求用户发生交易,因此可以做未发生登录、注册等匿名用户的行为价值分析,也可以做实名用户分析。该模型常用来做用户活跃分群或价值区分,可用于内容型(例如论坛、新闻、资讯等)企业的会员分析。
    思路1:基于三个维度值做用户群体划分和解读,对用户的活跃度度做分析。RFE得分为313的会员说明其访问频率低,但是每次访问时
    的交互都非常不错,此时重点要做用户回访频率的提升,例如通过活动邀请、精准广告投放、会员活动推荐等提升回访频率
    思路2:基于RFE的汇总得分评估所有会员的活跃度价值,并可以做活跃度排名;同时,该得分还可以作为输入维度跟其他维度一起作为
    其他数据分析和挖掘模型的输入变量,为分析建模提供基础。

    注:
    无论是RFM和RFE都不要忽略不同的消费频率、品类和周期对于结果的影响性。例如大家电的更换周期可能是2年、手机的更换
    频率是1年、日用消费品的周期却是7天,由于不同品类的差异性很大,最终得到的得分结果没有必然的可比性,例如偏向于购买大家电品类的RFM得分为113属于“正常现象”,因为大家电的购买属性决定了这就是一个长周期、低频、大金额的行为。

    展开全文

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 6,312
精华内容 2,524
关键字:

rfm