ARTICLE · 1018236

【统计分析软件SPSS】178、RFM分析——操作步骤

发布时间：2026-09-16 07:32:52 最近访问：2026-09-16 07:32:51

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

由于微信公众号已发布文章的内容及排版顺序无法二次编辑，为了方便大家后续查阅、检索，同时便于我对内容进行补充更新与完善，我已将所有已发布的推文，在个人网站上以结构化文档的形式重新整理、归档。欢迎前往查看：

https://www.mizhushare.com/docs/

应用场景

在前一篇文章中，介绍了RFM的相关概念以及SPSS中可接受的数据格式，并明确了在实际分析中为何更推荐使用交易数据来开展RFM分析。

【统计分析软件SPSS】177、RFM分析概述

在此基础上，本文主要介绍SPSS中基于交易数据的RFM分析的菜单操作。

操作步骤

加载示例数据【rfm_transactions.sav】（软件自带样本数据）。

该数据为客户交易流水数据，包含购买日期、商品及金额。

点击顶部菜单栏的【分析→直销→选择技术】，在打开的对话框进行相应设置。

第一步：

「直销」是一个专为营销分析设计的功能模块，主要用于支持直复营销中的客户细分、响应预测与活动优化，提供多种分析技术供用户选择。

选项	含义
帮助确定我的最佳联系人（RFM 分析）	执行经典的 RFM 客户价值分析
将我的联系人分为多个集群	使用聚类分析方法（如K均值聚类）对客户进行自动分组
生成对产品作出了回应的联系人的概要	统计并展示哪些客户对特定产品或营销活动做出了响应（如购买、点击、注册等）
确定回应最多的邮政编码	按地理区域（如邮政编码）统计客户响应情况，找出响应率最高的地区
选择最有可能进行采购的联系人	基于已有模型或规则，预测哪些客户最可能产生购买行为
对比竞销活动的效果（控制包裹检验）	通过控制包实验设计（Controlled Package Test）比较不同营销方案的效果
应用来自模型文件的得分	将已训练好的预测模型（如分类树、逻辑回归模型）应用于新数据集，为每个个案打分

本次选择「帮助确定我的最佳联系人 (RFM Analysis)」选项，然后单击继续。

第二步：
在打开的「数据格式」对话框中，选择「交易数据 (Transaction data)」，然后单击继续。

第三步：

（1）、变量选项卡：

用于设置RFM分析所需的变量。

选项	含义
交易日期	包含每笔交易日期的变量。本次选择「购买日期」变量。
交易金额	包含每笔交易金额的变量。本次选择「购买金额」变量。
摘要方法	交易金额的汇总方式。本次选择「总计」。
客户标识	用于识别每个个案（客户），用于汇总数据。本次选择「客户ID」变量。

（2）、分箱化选项卡：

该选项卡用于设置每个客户的R、F、M 得分是如何划分等级的。

选项	说明
分箱方法	有以下两种分箱方式。
	嵌套	在嵌套分箱中，首先为「最近一次消费」值分配一个简单的排名。然后，在每个「最近一次消费」排名内，为客户分配「消费频率」排名；接着在每个「消费频率」排名内，为客户分配「消费金额」排名。优点：这往往能为综合RFM分数提供更均匀的分布。缺点：使得「消费频率」和「消费金额」排名分数更难解释。例如，对于「最近一次消费」排名为5的客户来说，其「消费频率」排名为5的含义，可能与「最近一次消费」排名为4的客户的「消费频率」排名为5的含义不同，因为频率排名依赖于「最近一次消费」的排名。
	独立	分别为「最近一次消费、消费频率、消费金额」值分配简单的排名，这三个排名是相互独立分配的。优点：对RFM三个组成部分的解释是明确无误的。例如，一位客户的「消费频率」得分为5，其含义与另一位客户的「消费频率」得分为5是完全相同的，无论他们的「最近一次消费」得分如何。缺点：对于较小的样本，这会导致综合RFM分数的分布不够均匀。
分箱数量	用于创建RFM分数的每个组成部分的类别（箱）数量。可能的综合RFM分数总数是三个数值的乘积。例如，每个组成部分的默认值是5，这将创建125个可能的综合RFM分数，范围从111到555。每个分数组成部分允许的最大分箱数为 9。
同分值	理想情况下，我们希望每个箱中的客户数量大致相同，但大量的同分值会影响箱的分布，有以下两种处理并列的方式。
	将同分值分配到同一个分箱	方法：该方法总是将并列值分配到同一个箱，而不管这对箱分布有何影响。优点：提供了一种一致的分箱方法。如果两位客户的「最近一次消费」值相同，那么他们总是会被分配到相同的「最近一次消费」分数。缺点：在极端例子中，例如有1000位客户，其中500位客户在同一天进行了最近一次购买。在5级排名中，50%的客户将获得「最近一次消费」分数5，而不是理想的20%。
	将同分值随机分配到同一个分箱	方法：通过在排名前为并列值分配一个非常小的随机方差因子，从而确保箱分布均匀。优点：产生均匀的箱分布（每个箱中大约有相同数量的客户）。缺点：这可能会导致看起来具有相似或相同「最近一次消费、消费频率、消费金额」值的客户得到完全不同的分数结果。特别是当客户总数相对较少和/或并列值数量相对较高时。随机性：将并列值分配到不同箱的方式完全是随机的（在最终结果是每个箱中案例数相等的约束范围内）。如果使用相同的方法计算第二组分数，任何特定并列值案例的排名都可能改变。例如，第4和第5个案例的「最近一次消费」排名分别为5和3，在第二次计算时可能会互换。

本次保持默认设置。

（3）、保存选项卡：

进行RFM分析时总是会创建一个新的汇总数据集，其中每位客户占一行。可以通过该选项卡来指定想要保存的分数、其他变量以及保存位置。

选项

说明

变量

用于唯一标识每位客户的变量会自动保存在新数据集中。以下附加变量默认情况下都会包含在新数据集中。可以根据需要选择要保存的变量，并指定变量名称。

最近交易日期：每位客户的最近一次交易日期。

交易数：每位客户的交易行总数。

金额：基于在「变量」选项卡上选择的汇总方法计算出的每位客户汇总金额。

上次消费时间得分：基于最近一次交易日期为每位客户分配的分数。分数越高，表示交易日期越近。

频率得分：基于交易总次数为每位客户分配的分数。分数越高，表示交易次数越多。

货币得分：基于选择的消费金额汇总度量为每位客户分配的分数。分数越高，表示消费金额汇总度量值越高。

RFM得分：将三个独立分数合并为一个单一值。计算公式：(最近一次消费 x 100) + (消费频率 x 10) + 消费金额。

位置

可以选择在当前会话中创建一个新数据集，或者将 RFM 分数数据保存到外部数据文件中。

本次保持默认设置。

（4）、输出选项卡：

用于设置分析完成后生成的可视化图表和统计表格。这些输出内容可以帮助我们从多个维度解读 RFM 模型的结果。

选项	含义
按上次消费时间和频率绘制的平均货币值热图	基于「最近一次消费」和「消费频率」的平均消费金额热力图。
分箱计数图	显示每个 RFM 分箱中的客户数量分布。
分箱计数表	与分箱计数图包含相同的信息，只是以表格的形式呈现，每个单元格中显示箱计数。
直方图	用于计算「最近一次消费、消费频率、消费金额」分数的三个变量的值的相对分布。
变量对散点图	显示了用于计算「最近一次消费、消费频率、消费金额」分数的三个变量之间的关系。

本次选择全部选项。

设置完成，点击确定，SPSS运行RFM分析。

RFM分析会生成一个包含RFM评分的新数据集以及分析结果图表，具体内容将在后续文章中进行介绍。

相关学习资料