探索RFM模型:在B2B行业中做商品分析

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。在众多的客户关系管理（CRM）的分析模式中，RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。--百度百科；

R：Recency—— 客户最近一次交易时间的间隔。R值越大，表示客户交易距今越久，反之则越近；

F：Frequency—— 客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则不够活跃；

M：Monetary—— 客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则越低。

在传统的定义中RFM模型针对是把客户作为分析对象，同样可以灵活应用，可以延伸参考使用，例如：

航空行业：R-最近乘机时间，F-乘机次数，M-飞行总里程；

社交、游戏行业：R-最近一次登录，F-登录频率，M-在线时间；

或者：R-最近一次登录，F-点赞数 ，M-评论数；

通信行业：R-最近缴费时间，F-缴费次数，M-缴费总额，等；

本文是探索B2B平台中，把商品（SKU）作为分析对象，参考RFM模型进行商品分析：

注：因为考虑到此模型需要较高频率交易产品适用性强，所以较适用于：日化、快消、食品、饮料等，如果是传统期货制，半年或者一个季度才固定采买一次，可能此种方法意义不大，或者有其他方法可以应用；

主要使用工具：R语言进行数据清洗、整理、模型实现、可视化展示；

数据源简介：主要字段包含：下单日期、商品编码（SKU）、下单客户、下单金额等；

主要是用R语言做数据处理、模型探索等，不是工程代码，所以主要贴部分模型探索过程代码示例；

一、关于R（Recency）的计算方法：

因为存在多个客户不同时间下单SKU情况，如果仅以某SKU最近一次下单时间间隔统计，会存在统计规则影响分析判断，比如，仅一个客户昨天下单某SKU，其他客户最后下单均在1个月以前，那么R的值就显得非常低，就会影响统计误差情况；当客户较多的情况下，粗略计算总会存在每天最少有1个客户下单的可能性，这样R的值就比较固定，对模型的分析判断起不到作用；

考虑到以上因素，模型中对R的计算方法为：取统计周期内单SKU下每个客户的R值的“平均值”方法，结合实际计算后数据分布情况情况如下图：

倾斜度计算公式如下：3*（mean -median） / sd,Recency整体数据倾斜度为：0.77；数据呈现右偏（上图中蓝色线为中位数、红色线为平均值），这里Recency用中位数标准取数，提高数据的“平均值的合理性”，部分代码如下：

[AppleScript] 纯文本查看 复制代码

#每个SKU、客户最后下单日期值计算方法；
sales_mat_max <- aggregate(subset_sales$sales_date,by = list(subset_sales$MATERIAL,subset_sales$Customer) , max)
#计算每个SKU 、客户 距今销售周期R
sales_max$max_date <- as.numeric( Sys.Date() - sales_max$sales_maxdate)
#倾斜度
t <- (3*(mean(sales_max$max_date) - median(sales_max$max_date)))/sd(sales_max$max_date)
#总体SKU在每个客户下R值分布图
library(ggplot2)
ggplot(sales_max, aes(x=max_date)) +
geom_density(col ="blue",size =1) +
geom_vline(data=sales_max,aes(xintercept = mean(sales_max$max_date)), linetype="dashed",col = "red",size =1.2)+
geom_vline(data=sales_max,aes(xintercept = median(sales_max$max_date)), linetype ="dashed" ,col ="blue",size = 1.2)
#计算每个SKU在分客户下R值的中位数
recency <- aggregate(max_date ~ MATERIAL,data = sales_max , median)

二、关于F（Frequency）的计算方法：

关于F的计算主要是对下单客户进行去重计数，如果客户较多，可以对下单客户进行数据离散化处理，便于分析，至于离散的标准和规则，可以根据具体的数据量决定；部分代码示例如下：

[AppleScript] 纯文本查看 复制代码

#每个SKU下单客户数去重  计算F 
frenquency_d <- unique(subset_sales[,c("MATERIAL","customer")])#去重客户数据
frenquency <-  aggregate(frenquency_d$customer,by =list( frenquency_d$MATERIAL),length)
names(frenquency) <- c("MATERIAL","frenqu")
#对下单客户数量做离散处理  分箱 
breaks_f <- c(0,100,300,500,700,1000,1300,1600,2000)
labels_f <- c("(0-100]","(100-300]","(300-500]","(500-700]","(700-1000]","(1000-1300]","(1300-1600]","(1600-2000]")
frenquency[,'frenqu_cut'] <- cut(frenquency$frenqu, breaks =  breaks_f, labels = labels_f)

三、关于M（Monetary）的计算方法：

关于M的计算主要分为单SKU下单总金额和平均每个客户的下单金额2种方式，因为B端产品下单金额相对差别较大，也可以对数据进行离散处理，可以通过自定义方式对下单金额离散（参考F的离散方法）或者直接通过分位数进行分段，本文使用分位数方法分段，示例代码如下：

[AppleScript] 纯文本查看 复制代码

#计算统计统计内每个SKU下单总金额
monetary <- aggregate(amount ~ MATERIAL, data = subset_sales , sum)
breaks_m <- fivenum(monetary$amount)#分位数5个值 对应四个区间段数据
labels_m <- c(paste(0,round(breaks_m[2]/10000,2),sep = "-" ,collapse = ""),
              paste(round(breaks_m[2]/10000,2),round(breaks_m[3]/10000,2),sep = "-" ,collapse = ""),
              paste(round(breaks_m[3]/10000,2),round(breaks_m[4]/10000,2),sep = "-" ,collapse = ""),
              paste(round(breaks_m[4]/10000,2),round(breaks_m[5]/10000,2),sep = "-" ,collapse = ""))
monetary[,'amount_cut'] <- cut(monetary$amount,breaks = breaks_m,labels = labels_m

四、在完成RFM数据计算后，开始对数据分析应用和数据呈现：

1、RFM块状计数图：

[AppleScript] 纯文本查看 复制代码

ggplot(data,aes(frenqu_cut)) + geom_bar() + facet_grid( data$Monetary_avg_cut ~data$max_date_cut) +
  theme_gray()

2、RFM热力图：

[AppleScript] 纯文本查看 复制代码

library(dplyr)
heatmap_data <- data %>% group_by(frenqu_cut,max_date_cut) %>% dplyr::summarize(M_mean = mean(amount))
ggplot(heatmap_data,aes(max_date_cut,frenqu_cut,fill =M_mean)) + geom_tile() + 
  scale_fill_distiller(palette = 'RdYlGn',direction = 1)

3、RFM直方图：

[AppleScript] 纯文本查看 复制代码

par(mfrow=c(1,3))
hist(data$max_date,col = "blue2" ,xlab ="R",main ="Recency")
hist(data$frenqu,col = "green",xlab = "F",main ="Frenquency")
hist(data$Monetary_avg, col = "yellow2",xlab = "M", main ="Monetary")

4、RFM散点图：

[AppleScript] 纯文本查看 复制代码

par(mfrow=c(3,1))
plot(x= data$Monetary_avg, y = data$max_date , type = "p",col ="blue" ,cex =2,xlab = "M" ,ylab = "R")
plot(x= data$Monetary_avg, y = data$frenqu , type = "p",col ="green",cex =2,xlab = "M" ,ylab = "F")
plot(x= data$frenqu, y = data$max_date , type = "p",col ="red",cex =2,xlab = "F" ,ylab = "R")

5、RFM交叉明细表：

[AppleScript] 纯文本查看 复制代码

library(reshape2)
dcast(data, max_date_cut + frenqu_cut  ~ Monetary_avg_cut)

总结：

RFM分析模型的结果输出，用于分析每个SKU最近购买周期、下单频率、下单金额分布情况等，针对不同的SKU制定不同的相关营销策略；

同时对SKU按照价值排序，可以参考量化SKU价值，做到定期对SKU进行分析，通过SKU价值模型的变动，执行相应的营销策略，提高SKU的整体下单情况；

结合不同的SKU性质，对平台做推荐，比如SKU下单客户较少，但下单频次和金额得分较高，可以推荐给未下单客户等方法综合应用；

全文主要做简单思路呈现、和RFM的探索应用；

来源：数据D江湖