《数据挖掘：R语言实战》：用户分群实战
需积分: 8 73 浏览量
2023-02-27
12:25:37
上传
评论
收藏 520KB PDF 举报
用户分群实战
一、RFM 模型原理及实战
1.1 RFM 模型原理
通过某个客户近期的购买行为、购买频率和消费金额三个指标来描述客户的
价值状态。
最近一
次消费
R
➢ 客户最近一次的购买时间是什么时候。最近一次消费时间越近
的顾客是最有可能对提供的商品或是服务最有反应的群体。
➢ 根据 R 值越来越小的标准，间隔时间越短越有可能再次购买。
消费频
率 F
➢ 单位时间内的消费次数。最常购买的顾客，也是满意度最高的
顾客。
➢ 根据 F 值越多越好的标准，单位时间内消费次数越多越有可能
再次购买。
消费金
额 M
➢ 单位期间内的消费总金额或平均消费额。
➢ 根据 M 值越大越好的标准，总额越大越有可能再次购买。
1.2 RFM 模型案例分析
从百分比结果可以看出，不同指标的数据存在明显左偏现象，用传统的按照
平均数进行分箱的方法不适合此数据。我们选择按照百分比的实际结果作为划分
标准，确定各个维度基准值。其中 R 的基准值取 70%分位数 0 天，F 的基准值取
60%分位数的 1 次，M 的基准值取 50%分位数的 6 元。由此产生新的三个衍生变
量：tagR、tagF、tagM。当值大于基准值时，tagR 为 0，tagF、tagM 为 1，当值
小于等于基准值时，tagR 为 1，tagF、tagM 为 0。
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
R
0
0
0
0
0
0
0
0
1
2
6
F
1
1
1
1
1
1
1
2
2
3
42
M
0.03
1
1
6
6
6
7
18
30
57
11206
这样每个用户就有 3 个标识，分别为 tagR、tagF、tagM，每个标识有 0 和 1
两种取值，因此用户类型可以分为 2^3=8 种。根据前面的 RFM 分类给每位用户
打上相应的类型标签，统计不同 RFM 类型的用户人数，并绘制柱状图。
1098
378
120
41
231
1313
601
0
200
400
600
800
1000
1200
1400
资源评论
