客戶價值模型建模步驟
客戶價值模型包含RFM模型，RFM模型僅僅是電商領域的客戶價值模型，構建RFM模型的基本流程爲：
- 確定需求目標
這一步旨在完成指標選擇並反覆驗證指標的合理性，指標的數量不一定非要是三個，也可以是多個指標。
- 指標量化
論證了指標的合理性後，還需明確工作環境中是否能夠真實的獲取到所選擇的指標。
-
數據處理
對數據進行排秩處理，排秩的優點除了獲取數據的原有信息外，還可以排除掉異常值對數據帶來的影響。
-
數據離散化
利用數據離散化便於解釋數據含義的優點，對數據進行離散化處理，這一步也是整個價值模型建模流程中最爲關鍵的一個環節。
-
市場細分
將細分指標轉化爲星級評定。
R指標中週期怎樣界定？
任何商品都帶有自己獨特的時間特性，即訂購週期。例如牙膏的消耗週期爲一個月、空調的消耗週期爲五年、醬油的消耗週期爲一個半月等等。因此，可以計算得出購買某種商品的所有用戶購買的平均週期，從而得到該商品的平均訂購週期。
相比於日用消耗品，家電類的大宗商品的平均訂購週期要久的多，訂購週期的長短會爲RFM模型中時間間隔指標R的分組帶來不同的影響。
線上購物與線下購物的體驗不同
電商領域的RFM模型中，指標F除了代表購買頻率，還代表一個特殊的含義，即客戶的滿意程度。
通常，線上購物與線下購物帶給客戶的滿意程度完全不同，例如線上第一次購買鉛筆，商家會附贈鉛筆盒，甚至贈品的價格遠超過鉛筆的價格，這便是商家爲發展客戶再次購買，而採取的線上營銷手段。如果客戶對第一次的購物體驗較爲滿意則會進行二次購物，如果後續該客戶持續購物，那麼則說明該客戶已經轉化成爲該商家的忠誠顧客。相對的，線下的門店很少會有類似的買贈體驗。
RFM模型爲什麼要排秩處理
構建RFM模型時，經常會遇到重複值的情況，SAS中，我會利用參數ties=low進行重複值替換，即用較低的數值去代替重複值，而不是用均值去代替。
排秩的目的除了剔除異常值外，還可以將取值之間的差距拉開，即將樣本間共同的行爲模式拉開，使得數據行爲更加清晰。
如何執行客戶細分
RFM模型分組完成後，想更好的執行客戶細分，需瞭解不同細分客戶的客羣特徵，通常情況下，指標R越小越好、指標F與指標M越大越好，一般我會將指標R進行處理，使得RFM三個指標均爲越大越好：
- RFM三個指標均大
對商家來說，該部分客羣爲最受歡迎的優質客戶，他們消費頻繁、消費金額較大，可將這部分客戶作爲VIP客戶進行重點維護，然而，優質客戶的數量非常少，可能不足樣本的1%
-
RFM三個指標任意一個小其餘兩個大
如果R小FM大，表示該部分客戶曾經買的多、消費高，但是有段時間未來消費，即該部分客戶曾經爲核心客戶，可以給予適當的優惠，讓這部分客戶再次活躍起來。例如京東，如果20天未下單，那麼京東便會主動發放優惠券以刺激你的消費。
如果F小RM大，表示該部分客戶買過“大件兒”商品、消費頻繁且消費金額較大，其實，這部分客戶是最爲理想的客戶，他們的消費行爲更加穩定，出於對營銷成本的考慮，這部分客戶不再需要商家採取額外的營銷措施。
如果M小RF大，表示該部分客戶消費金額不多，但是經常來消費，即經常購買“小東西”的人，這部分客羣數據指標雖好，卻不能夠指望他們能輸出利潤。通常，可以嘗試提取出這部分客戶所產生的全部訂單中的最大金額去進行消費潛力評估，併爲這部分客羣提供大於2倍最大消費金額的商品進行營銷。例如，這部分客戶大部分在超市消費了50多元，那麼可以爲他們推薦50*2=100元左右的商品，可以嘗試着適當優惠，例如推銷的這個100元的商品只賣90元，這樣，該部分客羣會更加樂意接受推薦的商品。
-
RFM三個指標任意一個大其餘兩個小
如果R大FM小，表示這部分客戶雖然經常消費，但是每次買的少、也消費不了多少錢，這樣的客戶屬於有待開發的羣體，通常，可以嘗試向他們推薦一倍消費金額的商品，或者對他們進行捆綁銷售以提升銷量，這樣效果會好些。
如果F大RM小，表示這部分客戶之前買的多、消費的金額也大，但是很久都沒有光顧了，這樣的客羣很有可能會流失掉，需要設計營銷策略進行挽留。
如果M大RF小，表示這部分客戶雖然很久沒來消費，但是他們曾經消費金額很大，這樣的客羣很有可能成爲VIP客戶，需要商家去進一步發展。
-
RFM均小
表明該部分客戶很久沒有來消費、曾經買得很少、消費金額也不高。這部分客羣很可能佔據高達60%-80%的佔比，雖然該類客羣的指標表現較爲中庸，但是卻不能直接摒棄這部分客羣，通常，可以嘗試短信客戶，通過分析響應人數再去有針對的着重發展意向客戶。
我的公衆號：Data Analyst
個人網站：https://www.datanalyst.net/
