正文

rfm最簡單的計算（rfm值計算公式）

發(fā)布時間：2023-04-13 23:49:52 稿源：創(chuàng)意嶺閱讀： 150

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于rfm最簡單的計算的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、大家好！我是車行CRM部的工作人員現(xiàn)在主管RFM客戶流失這個模塊，請求高人指點，怎樣計算客戶流失率？
2、SQL建立RFM模型指標的兩種方法對比
3、身高體重標準計算公式
4、基于RFM模型的用戶分類及精細化運營（附實例）

rfm最簡單的計算（rfm值計算公式）

一、大家好！我是車行CRM部的工作人員現(xiàn)在主管RFM客戶流失這個模塊，請求高人指點，怎樣計算客戶流失率？

第N月的用戶流失率=1-第（N-6）月進站用戶在第N、N-1、N-2、N-3、N-4、N-5月回站總數(shù)/第（N-6）月進站用戶數(shù)×100%

、例：某4S店2011年2月份客戶流失率

通俗的說就是：2010年8月份進站的用戶數(shù)（非進站臺次，因有可能一個用戶一個月會幾次進站），在2010年9、10、11、12以及2011年1、2月是否有回站，只要有回就算回站了，不管回來幾次，這樣就沒有流失了。假設(shè)2010年8月4S進站的用戶數(shù)為100個，后六個月這100個用戶回來88個，那回站率為88%，1-回站率等于流失率為12%，所以該4S店客戶流失率為12%。

二、SQL建立RFM模型指標的兩種方法對比

本筆記將利用sql語言構(gòu)建RFM模型，將會有兩種辦法對用戶進行分類。

第一種方法是基于有明確業(yè)務(wù)指標計算RFM分值。

第二種是按二八定律設(shè)定閥值。

首先看看RFM模型是什么？

R值:Rencency(最近一次消費) 指的是用戶在店鋪最近一次購買時間距離分析點的時間間隔;

F值:Frequency(消費頻率) 指的是是用戶在固定時間內(nèi)的購買次數(shù);

M值:Monetary(消費金額) 指的是一段時間(通常是1年)內(nèi)的消費金額;

根據(jù)三個值的高低之分，會得出8種類型的客戶；

一般每個指標都會有1，2，3，4，5分的分值標準，此指標一般根據(jù)具體業(yè)務(wù)需求進行設(shè)置；

如：

然后根據(jù)以上標準對用戶進行打分，并會求得各指標均值，進行比較，大于均值為高，少于均值為低。

接下來按照此標準用sql執(zhí)行。

首先我們導(dǎo)入相關(guān)數(shù)據(jù)，并去重數(shù)據(jù)放進新表 temp_trade；

由于時間關(guān)系，以導(dǎo)入如下數(shù)據(jù)，期間利用

SET date_time = STR_TO_DATE(time,'%Y-%m-%d %H');

set dates=date(date_time);

這兩個函數(shù)對原表（紅框）日期進行處理；

再檢查一下關(guān)鍵字段有無缺失值

查詢后得出并無缺失。

再檢查一下用戶行為是否有1、2、3、4以外的異常值；

查詢結(jié)果無異常值；

-- 建新表，放進去重后的數(shù)據(jù)

create table temp_trade like o_retailers_trade_user;

insert into temp_trade select distinct * from o_retailers_trade_user;

SELECT user_id , max(dates) AS 最近一次消費時間

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 最近一次消費時間 desc

CREATE VIEW r_clevel AS

SELECT user_id , 最近一次消費時間 , DATEDIFF('2019-12-19',最近一次消費時間) AS 相差天數(shù),

(CASE

WHEN DATEDIFF('2019-12-19',最近一次消費時間)<=2 THEN 5

WHEN DATEDIFF('2019-12-19',最近一次消費時間)<=4 THEN 4

WHEN DATEDIFF('2019-12-19',最近一次消費時間)<=6 THEN 3

WHEN DATEDIFF('2019-12-19',最近一次消費時間)<=8 THEN 2

ELSE

1 END )AS R分值

FROM

(

SELECT user_id , max(dates) AS 最近一次消費時間

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 最近一次消費時間 desc

SELECT user_id , COUNT(user_id) AS 購買頻次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 購買頻次 desc

CREATE VIEW f_clevel AS

SELECT user_id , 購買頻次 ,

(CASE

WHEN 購買頻次<=2 THEN 1

WHEN 購買頻次<=4 THEN 2

WHEN 購買頻次<=6 THEN 3

WHEN 購買頻次<=8 THEN 4

ELSE 5 END )AS F分值

FROM

(

SELECT user_id , COUNT(user_id) AS 購買頻次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

-- 1.R平均值

SELECT avg(R分值) as 'r_avg' FROM r_clevel;

-- 2.F平均值

select avg(F分值) as 'f_avg' from f_clevel;

create view RFM_table

select a.*,b.分值,

(case

when a.分值>2.5515 and b.分值>2.2606 then '重要高價值客戶' when a.分值<2.5515 and b.分值>2.2606 then '重要喚回客戶'

when a.分值>2.5515 and b.分值<2.2606 then '重要深耕客戶' when a.分值<2.5515 and b.分值<2.2606 then '重要挽留客戶' END

) as user_class

from r_clevel a, f_clevel b

where a.user_id=b.user_id;

SELECT user_class , COUNT(user_class)AS 數(shù)量

FROM

RFM_table

GROUP BY user_class

SELECT COUNT(DISTINCT user_id) AS 購買用戶數(shù)

FROM

temp_trade

WHERE behavior_type='2'

SELECT

相差天數(shù)

FROM

(

SELECT user_id , 最近一次消費時間 , DATEDIFF('2019-12-19',最近一次消費時間) AS 相差天數(shù)

FROM

(

SELECT user_id , max(dates) AS 最近一次消費時間

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 最近一次消費時間 desc

ORDER BY 相差天數(shù) DESC

LIMIT 32,1

SELECT

購買頻次

FROM

(

SELECT user_id , 購買頻次

FROM

(

SELECT user_id , COUNT(user_id) AS 購買頻次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id

ORDER BY 購買頻次 DESC

LIMIT 32,1

CREATE VIEW RF_TABLE AS

SELECT user_id , 最近一次消費時間 , DATEDIFF('2019-12-19',最近一次消費時間) AS 相差天數(shù),購買頻次

FROM

(

SELECT user_id , max(dates) AS 最近一次消費時間 , COUNT(user_id) AS 購買頻次

FROM

temp_trade

WHERE behavior_type='2'

GROUP BY user_id)a

select user_id,

(case

when 相差天數(shù)<=19 and 購買頻次>=7 then '重要高價值客戶' when 相差天數(shù)>19 and 購買頻次>=7 then '重要喚回客戶'

when 相差天數(shù)<=19 and 購買頻次<7 then '重要深耕客戶' when 相差天數(shù)>19 and 購買頻次<7 then '重要挽留客戶' END

) as user_class

from RF_TABLE ;

SELECT user_class , COUNT(user_class)AS 數(shù)量

FROM

(

select user_id,

(case

when 相差天數(shù)<=19 and 購買頻次>=7 then '重要高價值客戶' when 相差天數(shù)>19 and 購買頻次>=7 then '重要喚回客戶'

when 相差天數(shù)<=19 and 購買頻次<7 then '重要深耕客戶' when 相差天數(shù)>19 and 購買頻次<7 then '重要挽留客戶' END

) as user_class

from RF_TABLE

) a

GROUP BY user_class

三、身高體重標準計算公式

體重指數(shù)BMI＝體重／身高的平方（國際單位kg／㎡）。

理想體重（Kg）＝（18．5～23．9）×身高的平方（單位m）根據(jù)世界衛(wèi)生組織定下的標準，亞洲人的BMI（體重指標BodyMassIndex）若高于22．9便屬于過重。

亞洲人和歐美人屬于不同人種，WHO的標準不是非常適合中國人的情況，為此制定了中國參考標準

身體質(zhì)量指數(shù)是國際上常用的衡量人體肥胖程度和是否健康的重要標準，主要用于統(tǒng)計分析。肥胖程度的判斷不能采用體重的絕對值，它天然與身高有關(guān)。因此，BMI通過人體體重和身高兩個數(shù)值獲得相對客觀的參數(shù)，并用這個參數(shù)所處范圍衡量身體質(zhì)量。

rfm最簡單的計算（rfm值計算公式）