僅僅只是從客戶消費(fèi)金額來(lái)分析客戶是否流失，有時(shí)可能會(huì)成為曲解客戶的行為。那如何實(shí)現(xiàn)對(duì)用戶的精細(xì)化運(yùn)營(yíng)，達(dá)到最有效的客戶召回方式呢？本文詳細(xì)解析了使用RFM模型和K-means聚類實(shí)現(xiàn)更有效的客戶分層，感興趣的童鞋快來(lái)看看吧。

01 業(yè)務(wù)背景

不同的客戶具有不同的客戶價(jià)值，采取有效的方法對(duì)客戶進(jìn)行分類，發(fā)現(xiàn)客戶的內(nèi)在價(jià)值變化規(guī)律以及分布規(guī)律，針對(duì)不同的客戶制定差別化服務(wù)政策，能夠幫助企業(yè)投入最小的成本獲取最大的價(jià)值。

在沒(méi)有對(duì)用戶進(jìn)行分類的情況下，很難實(shí)現(xiàn)對(duì)用戶的精細(xì)化運(yùn)營(yíng)。考慮到不同的套餐價(jià)格不同，而且在促銷(xiāo)過(guò)程中也會(huì)有不同的折扣，如果單純從客戶消費(fèi)金額來(lái)分析客戶是否流失有時(shí)會(huì)曲解客戶行為。

因此在對(duì)客戶的分析過(guò)程中，需要根據(jù)客戶最近一次的購(gòu)買(mǎi)行為以及客戶的購(gòu)買(mǎi)頻率的變化來(lái)推測(cè)客戶的流失可能性，再通過(guò)客戶的消費(fèi)金額來(lái)判斷客戶的價(jià)值情況，最終指導(dǎo)運(yùn)營(yíng)決策，把重點(diǎn)放在貢獻(xiàn)度高且流失機(jī)會(huì)也高的客戶上，重點(diǎn)拜訪或聯(lián)系，以達(dá)到最有效的客戶召回方式。

而RFM模型較為動(dòng)態(tài)的顯示了一個(gè)客戶的全部輪廓，這對(duì)個(gè)性化的溝通和服務(wù)提供了依據(jù)。同時(shí)，如果與該客戶打交道的時(shí)間足夠長(zhǎng)，也能夠較為精確地判斷該客戶的長(zhǎng)期價(jià)值（甚至是終身價(jià)值），通過(guò)對(duì)RFM三項(xiàng)指標(biāo)的監(jiān)控，可以為更多的營(yíng)銷(xiāo)決策提供支持，幫助改善經(jīng)營(yíng)狀況。

02 RFM模型

RFM模型是衡量客戶價(jià)值和客戶創(chuàng)利能力的重要工具和手段。根據(jù)美國(guó)數(shù)據(jù)庫(kù)營(yíng)銷(xiāo)研究所Arthur Hughes的研究，最近一次消費(fèi)時(shí)間間隔（Recency），消費(fèi)頻率（Frequency），消費(fèi)金額（Monetary），這三個(gè)要素構(gòu)成了數(shù)據(jù)分析最好的指標(biāo)，通過(guò)這3個(gè)指標(biāo)對(duì)用戶進(jìn)行分類，根據(jù)不同類別的用戶進(jìn)行精準(zhǔn)營(yíng)銷(xiāo)。

最近一次消費(fèi)時(shí)間間隔（Recency）：近度，最近一次有效訂購(gòu)訂單距離當(dāng)前時(shí)間點(diǎn)的時(shí)間。

• 理論上最近一次購(gòu)買(mǎi)的顧客越近越是優(yōu)質(zhì)客戶，最近才購(gòu)買(mǎi)商品或服務(wù)的顧客，是最有可能再次購(gòu)買(mǎi)商品或服務(wù)的客戶，對(duì)即時(shí)提供的商品或者是服務(wù)也最有可能有反應(yīng)；
• 最近一次消費(fèi)的過(guò)程是持續(xù)變動(dòng)的，客戶的最近一次消費(fèi)時(shí)間間隔會(huì)隨著時(shí)間的變化以及客戶的購(gòu)買(mǎi)行為變化而變化；
• 最近一次消費(fèi)時(shí)間間隔可以幫助監(jiān)控業(yè)務(wù)的健康程度。比如，月報(bào)告中顯示上一次購(gòu)買(mǎi)很近的客戶(最近一次消費(fèi)為1個(gè)月)人數(shù)環(huán)比增加，則表示該業(yè)務(wù)是個(gè)穩(wěn)健成長(zhǎng)的業(yè)務(wù)。相反，如上一次購(gòu)買(mǎi)很近的客戶（最近一次消費(fèi)為1個(gè)月）人數(shù)環(huán)比降低，則表示該業(yè)務(wù)走向衰落的先兆；

消費(fèi)頻率（Frequency）：頻度，客戶在限定時(shí)間內(nèi)訂購(gòu)訂單的次數(shù)。

• 消費(fèi)頻次高的客戶，往往也是滿意度最高的客戶；
• 根據(jù)消費(fèi)頻次，可以把客戶分成不同層級(jí)，觀察用戶在不同層級(jí)的分布情況，通過(guò)運(yùn)營(yíng)手段提高消費(fèi)頻次，增加高層級(jí)客戶占比；

消費(fèi)金額（Monetary）：值度，客戶在限定時(shí)間內(nèi)訂購(gòu)訂單的總支付金額。

• 消費(fèi)金額是衡量客戶價(jià)值的支柱指標(biāo)，”帕雷托法則”——公司80％的收入來(lái)自20％的顧客，對(duì)有價(jià)值的客戶進(jìn)行營(yíng)銷(xiāo)能得到更可觀的經(jīng)驗(yàn)效果；

以客戶訂購(gòu)訂單的Recency、Frequency、Monetary來(lái)替代客戶使用的Recency、Frequency、Monetary，主要有以下幾點(diǎn)原因：

• 電信行業(yè)的客戶每天都在使用電信業(yè)務(wù)的情況下，其最近時(shí)間間隔為零，不同的客戶區(qū)分度很小，客戶訂購(gòu)的時(shí)間間隔較大，以訂購(gòu)近度替代使用近度，避免了客戶使用的近度難于區(qū)分的問(wèn)題。
• 如果客戶在一定時(shí)期內(nèi)使用電信業(yè)務(wù)的次數(shù)數(shù)量非常大,則客戶的頻度也將是一個(gè)很大的數(shù)量，客戶訂購(gòu)的次數(shù)相對(duì)較少，可以減少統(tǒng)計(jì)客戶使用次數(shù)的工作量。
• 客戶訂購(gòu)支付金額跟客戶實(shí)際使用消費(fèi)金額最終是相等的，因此，從訂購(gòu)交費(fèi)角度構(gòu)建的RFM模型是可取的。

因此需要從客戶交費(fèi)角度來(lái)考慮對(duì)客戶進(jìn)行RFM模型建模，以RFM模型為基礎(chǔ),通過(guò)客戶的RFM行為特征衡量分析客戶忠誠(chéng)度與客戶內(nèi)在價(jià)值。

從公司所有的客戶記錄中選擇近2年內(nèi)還有消費(fèi)訂購(gòu)記錄的客戶進(jìn)行分析。把這3個(gè)指標(biāo)（R、F、M）按價(jià)值從低到高排序，并把這3個(gè)指標(biāo)作為XYZ坐標(biāo)軸，大于（等于）總RFM平均值的為價(jià)值高坐標(biāo)、小于總RFM平均值的為價(jià)值低坐標(biāo)?？梢詣澐譃?個(gè)類別，RFM客戶價(jià)值空間分類規(guī)則如下圖：

圖1 RFM模型客戶價(jià)值空間分類規(guī)則圖

03 AHP計(jì)算RFM權(quán)重

雖然可以按照RFM模型把客戶進(jìn)行分類，但是這種分類只是確定了客戶的聚類，卻沒(méi)有把各類客戶之間進(jìn)行一個(gè)量化的價(jià)值比較，無(wú)法對(duì)各種類別的客戶群體進(jìn)行權(quán)重的排名，因而對(duì)各類客戶的RFM各個(gè)指標(biāo)權(quán)重進(jìn)行定義非常必要，需要結(jié)合各類指標(biāo)的權(quán)重給各類客戶進(jìn)行綜合價(jià)值的評(píng)分。

The analytic hierarchy process 簡(jiǎn)稱AHP，也稱為層次分析法，是在20世紀(jì)70年代中期由美國(guó)運(yùn)籌學(xué)家托馬斯·塞蒂（T.L.saaty）正式提出。它是一種定性和定量相結(jié)合的、系統(tǒng)化、層次化的分析方法，它的基本思路與人對(duì)一個(gè)復(fù)雜的決策問(wèn)題的思維、判斷過(guò)程大體上是一樣的。

3.1、構(gòu)造對(duì)比矩陣

設(shè)共有 n 個(gè)元素（RFM模型中n等于3）參與比較，則稱為成對(duì)比較矩陣，其中在比較第 i 個(gè)元素與第 j 個(gè)元素相對(duì)上一層用戶價(jià)值的重要性時(shí)，使用數(shù)量化的相對(duì)權(quán)重 來(lái)描述。

• 成對(duì)比較矩陣中 的取值可按下述標(biāo)度進(jìn)行賦值。 在 1-9 及其倒數(shù)中間取值。其中取值含義如下：
• = 1，元素 i 與元素 j 對(duì)上一層次因素的重要性相同；
• = 3，元素 i 比元素 j 略重要；
• = 5，元素 i 比元素 j 重要；
• = 7， 元素 i 比元素 j 重要得多；
• = 9，元素 i 比元素 j 的極其重要；
• = 2n，n=1,2,3,4，元素 i 與 j 的重要性介于 與之間；
• ，n=1,2,…,9， 當(dāng)且僅當(dāng) = n ，其中，當(dāng) i = j 時(shí)， = 1。

針對(duì)RFM模型，建立的成對(duì)比較矩陣，其中矩陣中的 參數(shù)根據(jù)實(shí)際業(yè)務(wù)場(chǎng)景進(jìn)行賦值。比如創(chuàng)建R、F、M的成對(duì)比較法，得到的比較矩陣如：，其中 表示F（消費(fèi)頻率）比R（最近一次訂購(gòu)時(shí)間間隔）的重要性之比為3，即當(dāng)前業(yè)務(wù)下決策認(rèn)為F（消費(fèi)頻率）比R（最近一次訂購(gòu)時(shí)間間隔）略重要。

3.2、一致性檢驗(yàn)

從理論上來(lái)說(shuō)，完全一致的成對(duì)比矩陣的權(quán)向量是精確度是最高的。其中矩陣A如果是完全一致的成對(duì)比較矩陣，那么，其中1<=i，j，k<=n。但實(shí)際上根據(jù)業(yè)務(wù)情況構(gòu)造成對(duì)比較矩陣時(shí)要求滿足完全一致的成對(duì)比矩陣是不可能的，因此退而要求成對(duì)比較矩陣有一定的一致性，即可以允許成對(duì)比較矩陣存在一定程度的不一致性。

由分析可知，對(duì)完全一致的成對(duì)比較矩陣，其絕對(duì)值最大的特征值等于該矩陣的維數(shù)。對(duì)成對(duì)比較矩陣的一致性要求，應(yīng)該滿足矩陣A絕對(duì)值最大的特征值和該矩陣的維數(shù)相差不大，矩陣的隨機(jī)一致性比率不得大于0.1。其中校驗(yàn)成對(duì)比較矩陣A一致性的步驟如下：

計(jì)算衡量一個(gè)成對(duì)比較矩陣 A （n>1 階方陣）不一致程度的指標(biāo)，其中 為矩陣A的絕對(duì)值最大特征值。

從有關(guān)資料查出檢驗(yàn)成對(duì)比較矩陣 A 一致性的標(biāo)準(zhǔn)RI，其中RI稱為平均隨機(jī)一致性指標(biāo)，它只與矩陣階數(shù) n 有關(guān)。

RI的計(jì)算方式為：對(duì)于固定的n，隨機(jī)構(gòu)造成對(duì)比較陣A，其中是從1，2，…，9，1/2，1/3，…，1/9中隨機(jī)抽取的， 這樣的A是不一致的， 取充分大的子樣得到A的最大特征值的平均值。

計(jì)算成對(duì)比矩陣A的隨機(jī)一致性比率時(shí)，判定成對(duì)比較陣 A 具有滿意的一致性，其不一致程度是可以接受的。否則就調(diào)整成對(duì)比較矩陣 A，直到達(dá)到滿意的一致性為止。

3.3、RFM矩陣權(quán)重

成對(duì)比矩陣A的一致性檢驗(yàn)滿足要求后（ CR <1 ），可以通過(guò)矩陣A的最大特征值對(duì)應(yīng)的特征向量來(lái)算出R（近度）、F（頻度）、M（值度）各個(gè)指標(biāo)變量對(duì)應(yīng)的權(quán)重。

矩陣A對(duì)應(yīng)最大特征值的特征向量數(shù)學(xué)計(jì)算公式：。

矩陣A對(duì)應(yīng)最大特征值數(shù)學(xué)計(jì)算公式：。

• 可以用Matlab語(yǔ)句求矩陣A的最大特征值對(duì)應(yīng)的特征向量：
• A的特征值以及特征向量，可以通過(guò)[ X , Y ]=eig（A），其中Y為成對(duì)比較陣的特征值，X的列為相應(yīng)的特征向量；
• 最大的特征值，可以通過(guò)eigenvalue=diag(Y) 以及 lamda=eigenvalue(1)進(jìn)行計(jì)算，其中l(wèi)amda表示最大的特征值；
• 可以通過(guò)y_lamda = x(:, 1) 進(jìn)行計(jì)算最大特征值對(duì)應(yīng)的特征向量。

實(shí)際在使用過(guò)程中，需要把矩陣最大特征值對(duì)應(yīng)的特征向量轉(zhuǎn)換成權(quán)向量，使得它的各分量都大于零，各分量之和等于 1，這樣才能滿足對(duì)RFM模型中各個(gè)指標(biāo)變量的權(quán)重設(shè)置，各指標(biāo)變量的相對(duì)重要性由權(quán)向量的各分量所確定，權(quán)向量的各分量對(duì)應(yīng)的值就是出R（近度）、F（頻度）、M（值度）的計(jì)算權(quán)重。

權(quán)向量等于自身向量各分量除以自身向量的和，，其中。 比如特征向量U= [ 2, 3, 5 ]， 。

04 K-均值聚類法對(duì)客戶分類

與RFM指標(biāo)對(duì)客戶分類不同，分類是示例式學(xué)習(xí)，要求分類前明確各個(gè)類別，并斷言每個(gè)元素映射到一個(gè)類別，這種對(duì)客戶的分類方式并不能滿足“每個(gè)分類內(nèi)部的元素之間相異度盡可能低，而不同分類的元素相異度盡可能高”的客戶分類要求，反而會(huì)出現(xiàn)相同分類中的內(nèi)部元素之間的相異度高，不同分類中的內(nèi)部元素之間相異度反而低的情況發(fā)生。

聚類是觀察式學(xué)習(xí)，在聚類前可以不知道類別甚至不給定類別數(shù)量，是無(wú)監(jiān)督學(xué)習(xí)的一種。k均值（k-means）算法是一種迭代求解的聚類分析算法，所謂聚類問(wèn)題，就是給定一個(gè)元素集合D，其中每個(gè)元素具有n個(gè)可觀察屬性，使用某種算法將D劃分成k個(gè)子集，要求每個(gè)子集內(nèi)部的元素之間相異度盡可能低，而不同子集的元素相異度盡可能高，其中每個(gè)子集叫做一個(gè)簇。

4.1、相異度計(jì)算

用通俗的話說(shuō)，相異度就是兩個(gè)東西差別有多大。

在數(shù)學(xué)上對(duì)相異度的定義指的是：設(shè)，其中X，Y是兩個(gè)元素項(xiàng)，各自具有n個(gè)可度量特征屬性，那么X和Y的相異度定義為：，其中R為實(shí)數(shù)域，也就是說(shuō)相異度是兩個(gè)元素對(duì)實(shí)數(shù)域的一個(gè)映射，所映射的實(shí)數(shù)定量表示兩個(gè)元素的相異度。

在計(jì)算不同元素的相異度上我們采用歐幾里得距離來(lái)作為相異度，其意義就是兩個(gè)元素在歐氏空間中的集合距離，因?yàn)槠渲庇^易懂且可解釋性強(qiáng)，被廣泛用于標(biāo)識(shí)兩個(gè)標(biāo)量元素的相異度。

歐幾里得距離的定義如下：

在真實(shí)應(yīng)用中，經(jīng)常會(huì)出現(xiàn)元素項(xiàng)的取值問(wèn)題，取值范圍大的屬性對(duì)距離的影響高于取值范圍小的屬性，比如在RFM模型的屬性中，M的取值往往要遠(yuǎn)大于F的取值，這樣不利于真實(shí)反映真實(shí)的相異度，為了解決這個(gè)問(wèn)題，一般要對(duì)屬性值進(jìn)行規(guī)格化。

規(guī)格化的意思就是將各個(gè)屬性值按比例映射到相同的取值區(qū)間（通常將各個(gè)屬性均映射到[0,1]區(qū)間），這樣是為了平衡各個(gè)屬性對(duì)距離的影響。

映射公式為：

表示所有元素項(xiàng)中i個(gè)屬性的最大值和最小值，x是集合中的一個(gè)屬性指標(biāo)。

4.2、k-means聚類算法

把近兩年內(nèi)還有訂購(gòu)記錄的客戶設(shè)定為一個(gè)元素集合D，其中每個(gè)元素有3個(gè)具有可觀察的屬性：R（近度）、F（頻度）、M（值度）。

元素集合D按照K-means聚類算法把他分為8個(gè)聚類子集：

1. 把集合D中每一個(gè)元素（客戶）的RFM屬性進(jìn)行規(guī)格化，是基于按照映射公式把各個(gè)屬性均映射到[0,1]區(qū)間的結(jié)果；
2. 對(duì)集合的各個(gè)屬性進(jìn)行加權(quán)處理，加權(quán)屬性權(quán)重AHP法確定的權(quán)向量中對(duì)應(yīng)的權(quán)重，加權(quán)后的集合；
3. 從集合中隨機(jī)選取K個(gè)元素（k = 125），作為作為k個(gè)簇的各自的中心；
4. 分別計(jì)算剩下的元素到k個(gè)簇中心的相異度（按照歐幾里得距離度量），將這些元素分別劃歸到相異度最低的簇；
5. 根據(jù)聚類結(jié)果，重新計(jì)算k個(gè)簇各自的中心，計(jì)算方法是取簇中所有元素各自維度的算術(shù)平均數(shù)；
6. 將集合中全部元素按照新的中心重新聚類；
7. 重復(fù)第4步，直到聚類結(jié)果跟最近一次的聚類結(jié)果一致，不再變化；
8. 輸出最終的聚類結(jié)果；

4.3、劃分客戶類別

不同的層級(jí)聚合揭示不同層級(jí)的客戶在行為上的特性以及變化傾向，劃分客戶類別方法如：

計(jì)算K均值聚類中每類客戶的RFM平均值：

• ，其中1<= i <=n，n指的是每類中的客戶（設(shè)備）數(shù)，指的是對(duì)應(yīng)類別中每臺(tái)設(shè)備的R之和，R的計(jì)量單位為天；
• ，其中1<= i <=n，n指的是每類中的客戶（設(shè)備）數(shù)，指的是對(duì)應(yīng)類別中每臺(tái)設(shè)備的F之和，F(xiàn)的計(jì)量單位為次；
• ，其中1<= i <=n，n指的是每類中的客戶（設(shè)備）數(shù)，指的是對(duì)應(yīng)類別中每臺(tái)設(shè)備的M之和，M的計(jì)量單位為USD；

將每類客戶的RFM平均值和總RFM平均值作比較：

• 將K均值聚類的125類客戶的RFM平均值同總RFM均值進(jìn)行比較。
• K均值聚類類別客戶的均值大于（等于）總均值，則給該指標(biāo)對(duì)應(yīng)坐標(biāo)為“價(jià)值高”坐標(biāo)；
• K均值聚類類別客戶的均值小于總均值，則給該指標(biāo)對(duì)應(yīng)坐標(biāo)為“價(jià)值低”坐標(biāo)；

劃分RFM客戶價(jià)值分類：

• 根據(jù)RFM空間坐標(biāo)模型，匹配對(duì)應(yīng)R、F、M三個(gè)指標(biāo)的坐標(biāo)，把K均值聚類的125個(gè)類別客戶劃分為8個(gè)類別：重要價(jià)值客戶、重要發(fā)展客戶、重要保持客戶、重要挽留客戶、一般價(jià)值客戶、一般發(fā)展客戶、一般保持客戶、一般挽留客戶。

05 客戶價(jià)值排序

5.1、RFM指標(biāo)分類客戶價(jià)值

輸出每一類客戶的評(píng)分集合 ，其中1<= i <=125，R，F(xiàn)，M分別代表R（近度）、F（頻度）、M（值度）的等級(jí)評(píng)分。對(duì)評(píng)分集合的RFM屬性進(jìn)行規(guī)格化，規(guī)格化，其中按照映射公式把各個(gè)屬性均映射到[0,1]區(qū)間的結(jié)果。

RFM指標(biāo)評(píng)分分類劃分的5＊5＊5 = 125類客戶進(jìn)行價(jià)值排序：

• 假如計(jì)算出RFM矩陣權(quán)重的權(quán)向量，那每一類客戶的綜合總得分等于：規(guī)格化的各指標(biāo)值的加權(quán)平均值，每類客戶的總得分為 。
• 通過(guò)總得分的大小可以對(duì)5＊5＊5 = 125類客戶進(jìn)行優(yōu)先級(jí)排序，指導(dǎo)運(yùn)營(yíng)支撐決策。

RFM指標(biāo)分類劃分成的8類客戶（重要價(jià)值客戶、重要發(fā)展客戶、重要保持客戶、重要挽留客戶、一般價(jià)值客戶、一般發(fā)展客戶、一般保持客戶、一般挽留客戶）進(jìn)行價(jià)值排序：

計(jì)算分類（RFM空間坐標(biāo)劃分的8類客戶）客戶中歸屬類客戶(指標(biāo)評(píng)分分類的5＊5＊5 = 125類客戶)規(guī)格化指標(biāo)屬性的平均值；

8類客戶規(guī)格化后各個(gè)指標(biāo)的平均值，其中1<= i <=8，分別代表每類客戶R（近度）、F（頻度）、M（值度）的規(guī)格化指標(biāo)平均值。

比如：，其中1<= i <=n，n指的是對(duì)應(yīng)空間類別中歸屬類別（指標(biāo)評(píng)分分類的5＊5＊5 = 125類客戶）數(shù)，指的是對(duì)應(yīng)空間類別中歸屬類別(指標(biāo)評(píng)分分類的5＊5＊5 = 125類客戶)的規(guī)格化屬性R之和；

假如計(jì)算出RFM矩陣權(quán)重的權(quán)向量，那每一類客戶的綜合總得分等于：的各指標(biāo)值的加權(quán)平均值，每類客戶的總得分為 。

通過(guò)總得分的大小可以對(duì)RFM坐標(biāo)空間劃分的8類客戶進(jìn)行優(yōu)先級(jí)排序，指導(dǎo)運(yùn)營(yíng)支撐決策。

5.2、k-均值聚類客戶價(jià)值

把集合D中每一個(gè)元素（客戶）的RFM屬性進(jìn)行規(guī)格化，是基于按照映射公式把各個(gè)屬性均映射到[0,1]區(qū)間的結(jié)果；

K-均值聚類法劃分的5＊5＊5 = 125類客戶進(jìn)行價(jià)值排序：

• 計(jì)算聚類中每類客戶被規(guī)格化后各個(gè)指標(biāo)的平均值，其中1<= i <=125，分別代表每一個(gè)客戶R（近度）、F（頻度）、M（值度）的規(guī)格化指標(biāo)平均值。比如：，其中1<= i <=n，n指的是每類中的客戶（設(shè)備）數(shù)，指的是每類中客戶的屬性R規(guī)格化之和；
• 假如計(jì)算出RFM矩陣權(quán)重的權(quán)向量，那每一類客戶的綜合總得分等于：的各指標(biāo)值的加權(quán)平均值，每類客戶的總得分為 。
• 通過(guò)總得分的大小可以對(duì)k均值聚類的125類客戶進(jìn)行優(yōu)先級(jí)排序，指導(dǎo)運(yùn)營(yíng)支撐決策。

K-均值聚類法對(duì)按照RFM坐標(biāo)空間劃分的8類客戶（重要價(jià)值客戶、重要發(fā)展客戶、重要保持客戶、重要挽留客戶、一般價(jià)值客戶、一般發(fā)展客戶、一般保持客戶、一般挽留客戶）進(jìn)行價(jià)值排序：

• 計(jì)算每類客戶被規(guī)格化后各個(gè)指標(biāo)的平均值，其中1<= i <=8，分別代表每一個(gè)客戶R（近度）、F（頻度）、M（值度）的規(guī)格化指標(biāo)平均值。
• 假如計(jì)算出RFM矩陣權(quán)重的權(quán)向量，那每一類客戶的綜合總得分等于：的各指標(biāo)值的加權(quán)平均值，每類客戶的總得分為 。
• 通過(guò)總得分的大小可以對(duì)RFM坐標(biāo)空間劃分的8類客戶進(jìn)行優(yōu)先級(jí)排序，指導(dǎo)運(yùn)營(yíng)支撐決策。

06 可視化分析

進(jìn)行客戶價(jià)值分類的過(guò)程中，需要能支持從不同維度來(lái)通過(guò)RFM模型對(duì)客戶進(jìn)行分類，針對(duì)同類別的客戶采取不同的運(yùn)營(yíng)策略，數(shù)據(jù)驅(qū)動(dòng)決策，幫助企業(yè)解決客戶運(yùn)營(yíng)問(wèn)題。其中最近消費(fèi)以及消費(fèi)頻次是最有力的預(yù)測(cè)指標(biāo)，可以預(yù)測(cè)客戶下一次購(gòu)買(mǎi)時(shí)間點(diǎn)以及行為。

取近兩年還有訂購(gòu)記錄的客戶設(shè)定為一個(gè)集合統(tǒng)計(jì)客戶樣本數(shù)據(jù)，RFM模型對(duì)客戶分層的可視化看板如圖2所示：

圖2 RFM模型對(duì)客戶分析看板

• 按維度篩選；
• RFM客戶價(jià)值分類：是整個(gè)RFM模型的核心，直觀顯示了8個(gè)客戶群的人數(shù)以及占比。
• k均值聚類+RFM模型+AHP分層，對(duì)統(tǒng)計(jì)的樣本客戶進(jìn)行分類；
• 8個(gè)客戶群：重要價(jià)值客戶、重要發(fā)展客戶、重要保持客戶、重要挽留客戶、一般價(jià)值客戶、一般發(fā)展客戶、一般保持客戶、一般挽留客戶；
• RFM分類-交易金額：在RFM指標(biāo)中，往往我們更關(guān)心8個(gè)客戶群中各個(gè)客戶群的價(jià)值貢獻(xiàn)，交易金額可以更直觀的看出哪個(gè)客戶群的價(jià)值較大。
• 顯示不同客戶群的總M-消費(fèi)金額以及消費(fèi)金額占比；
• FM消費(fèi)能力 – R消費(fèi)流失：通過(guò)MF分布來(lái)直觀看到客戶的消費(fèi)能力分布，進(jìn)而通過(guò)R的大小來(lái)判斷客戶的忠誠(chéng)度，定位價(jià)值高忠誠(chéng)度高的客戶群體。
• 橫坐標(biāo)為M-值度（消費(fèi)金額），縱坐標(biāo)為F-頻度（消費(fèi)頻率），點(diǎn)大小為R-近度（最近一次消費(fèi)時(shí)間間隔）；
• RF消費(fèi)異動(dòng) – M消費(fèi)額度：通過(guò)RF分布來(lái)直觀看到客戶的消費(fèi)異動(dòng)情況，進(jìn)而通過(guò)M的大小來(lái)判斷哪些客戶更有必要挽回。
• 橫坐標(biāo)為F-頻度（消費(fèi)頻率），縱坐標(biāo)為R-近度（最近一次消費(fèi)時(shí)間間隔），點(diǎn)大小為M-值度（消費(fèi)金額）；
• RM消費(fèi)潛能 – F消費(fèi)頻率：通過(guò)MR分布來(lái)直觀看到客戶的消費(fèi)潛能情況，進(jìn)而通過(guò)F的大小來(lái)挖掘更有價(jià)值的客戶。
• 橫坐標(biāo)為M-值度（消費(fèi)金額），縱坐標(biāo)為R-近度（最近一次消費(fèi)時(shí)間間隔），點(diǎn)大小為F-頻度（消費(fèi)頻率）；
• K均值客戶聚類：通過(guò)列表展示K-均值聚類法劃分的125類客戶的RFM聚類信息，更直觀的通過(guò)價(jià)值得分對(duì)所有聚類的客戶群進(jìn)行價(jià)值大小排序；
• 列表展示信息：客戶類別序列號(hào)、客戶級(jí)別、近度（天）、頻度（次）、值度（USD）、客戶數(shù)量、客戶數(shù)量占比、交易金額、交易金額占比、價(jià)值得分；
• 客戶交易明細(xì)：顯示各客戶類型下的客戶交易明細(xì)。