客戶價值RFM模型報告

客戶價值分析

RFM模型構(gòu)建報告數(shù)據(jù)應(yīng)用部2018年07月01業(yè)務(wù)背景和建模目的02數(shù)據(jù)準(zhǔn)備和數(shù)據(jù)清洗03建立模型和效果評估04問題總結(jié)和未來展望目錄CONTENTS業(yè)務(wù)背景當(dāng)前經(jīng)濟(jì)環(huán)境下，生豬價格持續(xù)低位徘徊，養(yǎng)殖業(yè)虧損現(xiàn)象普遍，屠宰行業(yè)利潤大幅下滑；我司作為大型屠宰加工企業(yè)，利潤同比去年下滑超50%（個人保守估計(jì)），企業(yè)該如何度過生豬價格寒冬？控制企業(yè)成本勢在必行。

營銷成本作為企業(yè)成本的重要一環(huán)，當(dāng)前我司的營銷政策存在“一刀切”、涵蓋面廣、針對性不強(qiáng)等弊端，為避免當(dāng)前這種情況，我們需對公司現(xiàn)有客戶的價值屬性進(jìn)行類別劃分，針對不同群體的客戶制定差異化的營銷策略，提高營銷成本的效果轉(zhuǎn)化率，從而達(dá)到控制成本的目的。客戶劃分全量客戶客戶群A客戶群B……..……..客戶價值不同群體營銷策略A營銷策略B……..不同營銷策略建模目的截止目前關(guān)于用戶價值劃分的方法有許多種，其中RFM模型是被廣泛因其良好的價值區(qū)分性能而被廣泛應(yīng)用，RFM模型是指考慮以下三個客戶行為特征：利用這三個特征進(jìn)行聚類從而將客戶劃分為不同的類別?？紤]到客戶提貨趨勢變化、合作時長等因素均會對客戶價值產(chǎn)生影響后，我們決定增加客戶提貨趨勢變化指標(biāo)和客戶建檔時長指標(biāo)放入RFM模型。

我們最終的目的是通過這5個字段建立聚類模型從而將客戶進(jìn)行價值劃分。R（Recency）最近一次提貨F（Frequency）提貨頻率M（Monetary）提貨金額T（Trend）提貨趨勢L（Length）建檔時長

RFM模型01業(yè)務(wù)背景和建模目的02數(shù)據(jù)準(zhǔn)備和數(shù)據(jù)清洗03建立模型和效果評估04問題總結(jié)和未來展望目錄CONTENTS數(shù)據(jù)準(zhǔn)備數(shù)據(jù)來源來源表表釋義取數(shù)字段字段釋義表用途XYAPP.ST_SALE_X_DETAIL_DAY銷售明細(xì)表SOLD_TO_PARTY_CODE||ST_DATE||SALE_AMT送達(dá)方編碼||日期||銷售額匯總?cè)?shù)XYAPP.ST_CUST_STATE_INFO新增客戶信息表CUSTOMER_ID||CREATE_DATE客戶編碼||建檔時間剔除在統(tǒng)計(jì)口徑內(nèi)的新增用戶統(tǒng)計(jì)口徑考慮到數(shù)據(jù)完整性及時效性，我們選取2018.01-2018.06共計(jì)6個月數(shù)據(jù)作為歷史樣本數(shù)據(jù)的統(tǒng)計(jì)口徑。數(shù)據(jù)提取字段提取代碼見附件一：附件一Tips：趨勢指標(biāo)：二季度銷售額比例-一季度銷售額比例建檔時長：統(tǒng)計(jì)截止日期（20180630）–建檔日期數(shù)據(jù)清洗數(shù)據(jù)匯總處理缺失值處理異常值處理數(shù)據(jù)變換月銷量缺失情況以0替換1月銷量為負(fù)值的記錄以0替換；計(jì)算頻次時剔除銷售額負(fù)值記錄銷售額跨度過大，取對數(shù)處理1243將5個特征字段利用用戶編碼匯總數(shù)據(jù)清洗過程建模寬表因數(shù)據(jù)量不大，在excel完成數(shù)據(jù)清洗過程，最終得到建模所需數(shù)據(jù)寬表（共2501條樣本記錄）。01業(yè)務(wù)背景和建模目的02數(shù)據(jù)準(zhǔn)備和數(shù)據(jù)清洗03建立模型和效果評估04問題總結(jié)和未來展望目錄CONTENTS模型建立（一）

RFM模型聚類算法采用的是K-means算法，K-means算法是一種最為常見的聚類算法。K-means算法流程1.確定聚類數(shù)m2.隨機(jī)選取m個初始聚類中心3.計(jì)算各樣本到各聚類中心距離，將樣本劃分為距離最近的類4.計(jì)算新類的聚類中心（質(zhì)心）5.對比初始聚類中心是否收斂否結(jié)束是模型構(gòu)建將建模寬表數(shù)據(jù)讀入spssmoleder，選取K-means模型，選取五個特征變量作為輸入變量，聚類參數(shù)默認(rèn)數(shù)為5，最大迭代次數(shù)默認(rèn)為20，建立聚類模型。模型建立（二）初步建模效果評估聚類模型效果的評估我們主要看輪廓系數(shù)和迭代次數(shù)兩個指標(biāo)，初次建模的輪廓系數(shù)約為0.45，迭代至20次仍未收斂。對于聚類模型而言，輪廓系數(shù)越接近1說明模型效果越好，迭代收斂的速度越快說明聚類結(jié)果更為可信。輪廓系數(shù)：1、將樣本i與簇內(nèi)的其他點(diǎn)之間的平均距離作為簇內(nèi)的內(nèi)聚度a(i)；2、將樣本i與最近簇中所有點(diǎn)之間的平均距離看作是與最近簇的分離度b(i);3、樣本i的輪廓系數(shù)s(i)計(jì)算公式：4、取全部樣本點(diǎn)的輪廓系數(shù)取均值作為聚類模型的輪廓系數(shù)；下

模型建立（三）模型優(yōu)化因我們采用了默認(rèn)的聚類數(shù)5和全部五個特征作為輸入變量,可以通過選取不同的聚類數(shù)（3-7較為合適）和不同的特征變量組合來優(yōu)化模型。

通過上述優(yōu)化方法最終我們剔除了5個輸入變量中的《建檔時長》變量，選取聚類參數(shù)4作為最終的模型結(jié)果(輪廓系數(shù)0.62，迭代12次收斂)。模型效果較好，聚類目的基本達(dá)成。效果評估（一）數(shù)據(jù)聚類結(jié)果聚類中心分布聚類-1聚類-2聚類-3聚類-4趨勢指標(biāo)-0.13-0.990.82-0.36提貨天數(shù)136.557.211.3133.68提貨間隔2.37133.4826.1123.15銷售額6.044.184.635.2主力優(yōu)質(zhì)型風(fēng)險流失型潛力增長型普通穩(wěn)定型效果評估（二）口徑外效果追蹤按照歷史數(shù)據(jù)（日期口徑為2018.01-208.06）劃分的四個類別，我們另外提取了7月份（截止當(dāng)前19號）銷量數(shù)據(jù)與歷史口徑數(shù)據(jù)做對比結(jié)果如下：主力優(yōu)質(zhì)型潛力增長型風(fēng)險流失型普通穩(wěn)定型各類別策略建議現(xiàn)有客戶市場政策維穩(wěn)，營銷資源適當(dāng)傾斜，占有率為考核導(dǎo)向適用擴(kuò)張型政策，營銷資源重點(diǎn)傾斜，增長率為考核導(dǎo)向定位流失原因，盡量維持，流失率為考核導(dǎo)向小程度擴(kuò)張政策，營銷資源均衡為主，依次以增長率、占有率為考核導(dǎo)向01業(yè)務(wù)背景和建模目的02數(shù)據(jù)準(zhǔn)備和數(shù)據(jù)清洗03建立模型和效果評估04問題總結(jié)和未來展望目錄CONTENTS問題總結(jié)數(shù)據(jù)口徑問題未能覆蓋18年新增及未提貨客戶客戶退貨行為難以追溯提貨日期銷售明細(xì)表僅提取了送達(dá)方用戶，未覆蓋以批發(fā)為主（售達(dá)方）客戶趨勢指標(biāo)未消除季節(jié)因素影響算法缺陷問題K均值聚類需事先指定聚類數(shù)目，雖然我們嘗試了幾個不同的類別數(shù)目，但聚類數(shù)目選取仍存在主觀性K均值聚類對異常點(diǎn)較為敏感，異常值嚴(yán)重模型效果，我們本次建模異常值處理較為粗糙效果評估問題對非監(jiān)督模型效果的評估一直都是機(jī)器學(xué)習(xí)難點(diǎn)，后期評估仍主要取決于業(yè)務(wù)人員的反饋信息現(xiàn)有口徑內(nèi)外銷售額占比對比圖因7月天數(shù)較少，參考性有限未來展望模型定期優(yōu)化升級由于數(shù)據(jù)特征會隨著時間的發(fā)展發(fā)生變化，且建模樣本數(shù)據(jù)會隨著時間變化偏離真實(shí)數(shù)據(jù)越來越遠(yuǎn)，客戶類別也會不斷在各類別間遷移，我們可以定期（1個月/3個月/半年）輸出模型銷售額占比對比