RFM分析-用户价值细分的精准运营方法

对用户群体进行价值细分，哪些是重要用户，哪些是要重点挽留的用户，对不同价值区的用户制定不同的营销方案，从而进行精准运营，这是进行RFM分析的意义。

今天来聊一聊用Excel进行RFM分析的方法。

一、RFM分析的定义

01 定义

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。RFM分析是根据客户活跃程度、消费次数和消费金额贡献值，进行客户价值细分的方法。RFM分析其实是降维思维的体现，将三个维度的值综合成一个值。

02 R-F-M各值的含义

R：rencency——客户最近一次消费时间的间隔，注意是时间间隔，不是时间，在具体实施过程中，需要选定一个基准值，计算以后得出时间间隔的天数。R越大，表示客户上一次交易的时间越久远，则越可能流失，R越小，表示客户的活跃程度越高；
F：frequency——客户在最近一段时间内消费的次数，F越大，表示客户消费频次高，越活跃；
M：monetary——客户在最近一段时间内消费的金额，M越大，则客户消费金额越高，说明客户属于VIP客户。

03 分类

把上述3个指标维度按高低程度划分（二分类），可以分为得到8组类型的客户。其中1表示高，0表示低。

04 用什么工具进行RFM分析

各类分析工具皆可，通常会使用SPSS/SAS这类统计学常用的软件进行建模分析，python也可，tableau也可，但是这里我们来用Excel简单地进行RFM分析，需要我们自己算出各个R/F/M的值，然后加权RFM综合值进行简单地统计分析。

二、用Excel进行RFM分析

这是原始数据（图片为部分数据），包含客户唯一标识的订单号，消费日期和消费金额。

Step1：对原始数据建立数据透视表

客户标识一列拖到行标签，日期一列拖到值的位置，因为我们想要的是最近一次消费的时间，所以日期的汇总方式是求最大值。

这时可能会出现下图所示日期显示成数字的情况，只需要更改一下数字格式即可。

对客户标识一列拖到值区域处，汇总方式为计数。

对消费金额一列拖到值区域处，汇总方式为求和。

Step2：求R1-F1-M1的值

R1-F1-M1的值不是真正的R-F-M的值，这里只是过渡一下。首先是R1值，R1是指最近一次消费的时间间隔，以2019年8月1日为基准日期，计算每个客户最近一次消费的时间距离2019年8月1日是多少天，就是R1的值。R1=C1-G2

其次F1的值，F1是消费的次数，就是上一步客户标识计数的值。

M1的值，M1是消费金额，同理，也是透视表中消费金额求和的值。

Step3：对R1-F1-M1的值进行打分

对R1-F1-M1的值进行打分，得出R-score、F-score、M-score的值。

为了打分，我们可以将R/F/M的值三等分，得到各自的三等分距，然后依据三等分距来打分。

R1的最大值=max(J:J)，最小值=min(J:J)，三等分距=(U3-U4)/3，简单地计算出三等分距=（最大值-最小值）/3，同理，F1和M1也算出这几个数。

首先是对R1的值打分，我们知道R指的是最近一次消费距今的时间间隔，这个值当然是越小说明用户的活跃度越好，所以R1的值越小得分应该越高。

R1的值为336的意思是在（215=<R1<336）的区间范围内得分为3，

在（336=<R1<457）的范围内得分为2

在（457=<R1<=578）的范围内得分为1

（336是R1的最小值加三等分距得到，357是336+三等分距，578是457加三等分距）

同理对F1和M1进行打分，要注意的是，F1值表示的是消费频次，应该是频次越大，得分越高；M1值表示的是消费金额，应该是金额越高，得分越高。

将每一个R1值的得分对应起来得到R-score的值。可以用IF函数，=IF(J2<336,3,IF(J2<457,2,1))

同理，得到F-score 和M-score的值

Step4：求R-F-M的值

最后想要得到R-F-M的值只能为0或1，可以这样计算，将R-score的值与该列的平均值进行比较，大于平均值为1，否则为0.

得到每一个R-F-M值以后，用R值*100+F值*10+M值*1得到RFM的值。

RFM的值与对应的客户类型如下所示，用vlookup函数进行匹配就可以得到每一个用户的细分类型。

最后还可以作图进行可视化分析，可以统计出各类型的客户的占比，进行透视分析发现潜在客户非常多，高价值客户很少。

这里介绍了一种进行RFM分析的方法，当然方法有很多，也可以自己摸索更好的方法，那么你平时都是怎么做的呢？欢迎评论区讨论留言。

更多相关文章