ARTICLE · 1013151
【统计分析软件SPSS】177、RFM分析概述
本系列文章（基于SPSS 31版本）配套数据可通过百度网盘获取：
链接：https://pan.baidu.com/s/1AGizNngKrzAVapWtNcc-VA?pwd=mnsj提取码：mnsj
https://www.mizhushare.com/docs/
在用户精细化运营和数据驱动营销的大背景下，如何从大量客户中快速识别最有价值的客户，一直是企业和数据分析人员关注的核心问题。
在众多客户分析方法中，RFM分析因其逻辑清晰、操作简单、落地性强，被广泛应用于直复营销、会员运营和客户分层分析中。
RFM分析是一种基于客户行为历史的客户价值分层模型，RFM三个字母分别代表：
R (Recency)——最近一次消费时间；
F (Frequency)——消费频率；
M (Monetary)——消费金额。
上述三个维度分别刻画了客户的活跃度、忠诚度和贡献度。
RFM分析背后的核心理论：
RFM 分析基于一个非常直观但被大量实践验证的理论假设：
因此，RFM的重要性排序通常为：R ＞ F ＞ M。
RFM分析的运作方式：
RFM分析并不直接使用原始数值，而是通过评分（Ranking/Scoring）的方式来实现客户分层。
①、最近一次消费评分（R）：
根据客户最近一次购买的日期或距今的时间间隔，为其分配一个「最近一次消费」评分。该评分基于将「最近一次消费」值简单划分为少量类别。
例如，如果将客户分为五个等级，最近购买的客户得5分，购买日期最久远的得1分。
②、消费频率评分（F）：
以类似的方式，为客户分配一个「消费频率」排名，数值越高代表购买频率越高。例如，在五级划分方案中，购买最频繁的客户将获得5分的「消费频率」评分。
③、消费金额评分（M）：
最后，根据消费金额对客户进行排名，消费金额最高的客户获得最高排名。仍以五级为例，消费金额最多的客户将获得5分的「消费金额」评分。
④、最终结果：
每个客户得到四个分数——最近一次消费、消费频率、消费金额以及一个综合RFM分数。其中，综合分数是将上述三个独立分数合并为一个单一值，计算公式：
综合RFM分数 = (最近一次消费 x 100) + (消费频率 x 10) + 消费金额例如，在五级划分方案中，总共有125（5×5×5）种可能的综合RFM分数，其中最高的分数是555（100×5 + 10×5 + 1×5）。
根据用户类型设定营销策略：
RFM分析根据R、F、M三个指标构成一个三维立方图，在每个维度上又可以根据客户在三个指标上高于或低于基准值划分为两个层级。由此，根据不同的分类组合最终形成8种客户类型。
这种分层方法使营销团队能够精准定位目标客户群，优化营销资源配置。
最近一次消费评分（R） | 消费频率评分 （F） | 消费金额评分（M） | |
高 | 高 | ||
高 | 高 | ||
高 | 低 | 高 | |
高 | 低 | 低 | |
低 | 高 | 高 | |
低 | 高 | 低 | |
低 | 低 | 高 | |
低 | 低 | 低 |
交易数据：
在交易数据文件中，每一行代表一笔独立的交易，而不是一位独立的客户。这意味着每位客户可能有多行交易记录。
数据集必须包含以下信息的变量：
一个变量或变量组合，用于识别每个个案（客户）。
一个包含每笔交易日期的变量。
一个包含每笔交易金额的变量。
交易数据示例：
客户ID | 交易日期 | 交易金额 |
A001 | 2023-05-10 | 150 |
A001 | 2023-06-15 | |
A002 | 2023-07-20 | |
A001 | 2023-08-05 |
客户数据：
在客户数据文件中，每一行代表一位客户，且每位客户仅有一行（一个个案）。这种格式其实是经过汇总的数据。
数据集必须包含以下信息的变量：
最近一次购买日期或距最近一次购买日期的时间间隔——用于计算「最近一次消费」分数。
购买总次数——用于计算「消费频率」分数。
所有购买的汇总货币价值——用于计算「消费金额」分数。通常是所有购买金额的总和（总计），但也可以是均值（平均值）、最大值（最大金额）或其他汇总度量。
如果希望后续将RFM分数写入一个新的数据集，则数据集还必须包含一个用于识别每个个案（客户）的变量或变量组合。
交易数据示例：
客户ID | 最近购买日期 | 购买次数 | 总消费金额 |
A001 | 2023-05-10 | 650 | |
A002 | 2023-06-15 |
数据格式选择建议：
为了保证数据的精确性和分析灵活性，建议采用交易数据格式进行分析。原始交易数据保留了最大程度的信息细节，允许你根据不同的分析需求调整汇总方式和参数设置。