用户分层-RFM分层方法论

1. 用户分层-RFM分层方法论

 我们都知道，所有的运营工作都是围绕着用户展开的。运营策略从某种程度来说，就是资源对用户的有效分配。那么，知道什么用户应该制定什么样的运营策略，就尤为重要了，而这就要依赖于我们的用户分层了。
   在运营过程中，用户分层的作用很明显，它能 帮助我们把用户分成各个层次和群体，然后我们根据各个层次和群体的不同，才能有的放矢的制定出更精准、更有针对性的运营策略。 
   我们在运营工作中，经常会听到“用户画像”、“用户分层”、“用户分群”这几个词，貌似有些类似特别是后面两个，但如果严格说的话，还是有区别的。
   本篇准确地说应该是包括了“用户分层+用户分群”，这里就统称为用户分层了。而本篇我们也会通过一个实例，用一张Excel表作为工具，从零开始一步一步的完成一次用户分层过程。
   关于用户分层，我们需先明白以下几点：
    一、用户分层在不同的行业中是不一样的，而且可能是多样化的。 
   比如滴滴打车，用软件打车的人是一种用户；司机也是一种用户；广告商也是一种用户。如果要做用户分层的话，就需要对这三种类型的用户分别做一套不同的用户分层体系。
    二、用户分层在产品发展的不同阶段会有不同的变化。 
   比如我们区分价值用户和一般用户，
   初期我们产品少，一个月买2次化200元钱可能就是我们的价值用户了。
   随着公司的发展我们产品的不断增多，需要一个月买10次化5000元才有能算是我们的价值用户了。
    三、用户分层需要定性和定量 
   如上面的例子一样，我们需要对用户有一个定性的过程，如价值用户、一般用户，或者VIP，超级VIP等等；然后必须要对此进行定量，比如消费多少金额才能算价值用户。
   那么如何用科学化的手段进行一次用户分析，以确定各用户群体的行为特征，完成一次用户分层的过程，就必须要说到经典的RFM用户模型了。如下图：
                                           RFM模型历史悠久，其理论知识这里就不阐述了，简单的说就是通过 最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)这三个指标 ，然后把每个指标按照实际的情况，分成5档，一共形成了125类的用户。然后为了执行方便，把125类的用户归纳成8大类， 如下图 ，最后根据这8大类用户的情况制定运营策略。
                                           这里要说明的一点是，RFM模型不是互联网时代的产物，事实上在传统行业里也用的很广，所以其指标主要针对的是付费用户。 如果我们的互联网产品用户人群是免费用户，一样可以用这个RFM模型并使用它的方法 ，只是指标换成了 最后一次登录、登录频率、产品使用时间。 
    接下来我们就用实例来操作一遍： 
   我们现在手上有500份付费用户数据，包含（用户、最后一次消费时间间隔、消费频率、消费金额）四个字段，我们如何进行用户分层并制定有效运营策略呢？
    第一步：我们把数据导入或粘贴到Excel当中，再原有的4个表头基础上，再增加R值、F值、M值三个表头。做好这样一张Excel表，如下图： 
                                           （此处只选10条数据做实例）
    第二步：分别确定好RFM这三个指标五档的标准。 
   这是比较难的一步，因为不同的行业不同的产品不同的阶段都有不同的划分标准。比如消费金额，1000个用户里面，最低1元，最高10000元。大部分情况下，20%的用户占据了80%的金额，而80%的用户占了20%的金额，是一个长尾的分布效果。所以我们不能简单的用最高金额/5，或者用户总数/5的平均分法，这样分出来的结果不能代表一个拥有类似行为表现的群体。
    这个主要还是依靠大家在本身各自行业中的理解和实际场景需求来确定了。 当然，如果我们实在没有什么头绪的话，我们可以 通过散点图大致分辨一下 ，如下图：
                                           大家可以看到，通过散点图，我们可以比较直观的看清用户的分布（上图为用户的消费金额分布）。 我们去分档的时候就尽可能的将密集的一部分分在一起，这样，该档用户群体的行为共性也就更大一点。 
   需要说明的是，这不是一个很严谨的分法，需要大家在实际过程中进行不断的调整。而如果我们面临海量数据的时候，最好是通过聚类算法等技术手段，才能更加科学精准的帮助我们进行判断。
   以本例来说，我们最后定下了RFM各个指标下的五个分档标准。如图：
                                            第三步：分别计算出每条记录的R、F、M值。 
   我们通过在Excel里面加入if判断，自动计算出该记录对应的R、F、M值，比如我们RFM分层表中，0001用户对应的R值，
   即单元格E3：=IF(B3>10,1,IF(B3>8,2,IF(B3>5,3, IF(B3>3,4,5))))
   我们来解释一下这条if判断语句：
   同样的算法，我们写出计算每一条记录F值和M值的判断条件。
   然后，我们把Excel的单元格往下拉，最后形成这样的图：
                                            第四步：分别算出总的R、F、M的平均值。 
   这一步比较简单，我们以上全部算完之后，再最下面增加一行，用AVERAGE（）计算出以上所有行数的平均值。如图：
                                            第五步：根据每条记录的R、F、M值和所有记录的平均值，判断出每条记录的R、F、M值是在平均值之上，还是平均值之下。 
   首选，我们先增加三个表头，如图：
                                            然后，我们用每一条记录的R值来R的平均值进行比较，如果<平均值则显示“低”，如果大于等于则显示“高”。 
   我们还是用If判断语句进行自动判断，以上图为例，用户0001的“R高低值”即：
   这样，我们就变成了下图：
                                           这个时候，我们发现了一个问题，当我们把单元格往下拉的时候，E3固然变成了E4，但E13也变成了E14，由于E13是一个固定格子的数字，我们不希望它随着单元格的下拉而改变。我们就需要在if语句中在E13两边加上“$”这个符号了。
   如下：
   同时，为了更直观，我们设置一个条件格式，若文本中含有“高”则背景色为红色，若含有“低”则背景色为绿色。这时候再往下拖一下单元格，就变成这样拉，如图：
                                            第六步：根据比较值，进行八大类的归类。 
   接下来，我们就要根据我们的“R高低值”“F高低值”“M高低值”，自动计算出我们的用户层级拉。我们先加个表头“用户层级”。
   这一次，我们要写一串稍微长一点的IF判断语句，如下：
   本文所写的都是在Excel里面的IF判断语句，建议大家能够自己写一下，不想写或写不出也没关系，直接保存好上面的if语句Copy一下直接用就行了（修改一下单元格的序号就可以了）。
   最后，如下图：
                                           当然，我们还可以在用户层级的表头上加上“筛选”功能，可以直接搜索到我们需要的那些用户。大家也可以通过不同的颜色来区分不同的用户层级，这个就自由发挥拉。
                                           好了，到这里，我们就已经通过用一张Excel表，完成了一次用户分层的全过程。 这张表最后的效果是，就像一个程序一样，我们任意输入三个RFM数字，表格将自动会跳出这个用户的层级。  大家保存好这张excel表，以后用起来套一下就可以了，效率是相当快的。大家可以尝试自己从头做一遍，若有需要的话可在留言区留下邮箱，我会发送给大家。
   完成后上面六步之后，我们已经得到了完成用户分层之后的所有用户记录，这时我们需要做成图表的形式，开个会、做个汇报啥的，如下图：
                                           回到我们上面说的，做用户分层的目的是为了有的放矢的制定出更精准、更有针对性的运营策略。所以，我们最终我们还是回到制定运营策略上来。我们的例子可参考下图：
                                           再接下来要如何具体实施和执行，就不在本篇文章的范畴里了。
   用户分层是运营过程中非常重要的一个环节，快速的进行用户分层也是我们必备的一个方法。我们把用户分的层，其实用户本身是不知道的。如果我们分一个层级让用户知道，不仅知道而且还非常喜欢，以此来不断引导用户进行自我层级的上升。

2. 用RFM模型划分用户等级

如何对用户进行等级分层，我们需要了解一个最常用的客户分类模型，那就是RFM模型。
  
 RFM模型是在客户关系管理（CRM）分析模式中最受关注和应用的模型之一。它主要通过最近一次消费（recency）、消费频率（frequency）、消费金额（monetary）这三个维度的用户行为来对用户进行分层。RFM分别是这三个英文单词的首字母缩写。通过这一模型，企业可以动态地掌握用户对企业的长期价值，甚至预测客户的终身价值。
  
 R（recency）指最近的消费时间。最近一次消费时间越近，说明这个用户近期是活跃的，对企业是有印象的。最近一次消费距当下时间越久，就越说明这个用户可能沉睡或流失了，需要企业通过客户关怀、营销活动去触达他，想办法将他再次激活，尽量挽回这个用户。
  
 F（frequency）指消费频率。消费频率越高，消费也越活跃，代表用户对企业或品牌越认可，对企业贡献的销售价值越大。反之，消费频率低，甚至用户只来了一次后就再也没来，说明用户不活跃，相应的贡献价值也就少了。这时候企业就需要进行反思，他到底是不是企业的真正目标用户，是不是“薅羊毛”的用户，又或者是不是企业的产品和服务有问题，伤害到了他。总之，企业需要针对消费频率这一数据进行分析研究，找到原因，并想办法解决。
  
 M（monetary）指一段时间内的消费金额。消费金额高，既说明用户对企业产品的需求大，也能反映用户的消费能力，同时还说明对企业和品牌的认可。在一段时间内，消费金额跟消费频率呈正相关，消费频率越高，累计的消费金额也会越高。
  
 企业通过这三个维度合理评估用户的长期价值，把用户分为不同的等级，并对不同等级的用户投入不同的资源和时间来维护，这样就能让公司的资源效果实现最大化。
  
 过去，互联网没有如此发达，传统企业没有实现数字化，企业很难抓取用户的实时数据，没办法实时掌握用户动态、群体画像，很难做精细化运营管理。而现在，无论是投广告、做活动，还是依靠微信、社群、小程序、App，都能实时获得大量数据，并且有了成熟的CRM软件之后，企业能够轻松地对用户消费数据进行分析，进而做出正确的决策。
  
 在实际应用中，我们可以将RFM这三个维度，每个维度一分为二，大写字母代表高，小写字母代表低。这样一来就得到8组用户分类。
  
 重要价值客户：最近消费时间近、消费频次和消费金额都很高，他们是企业的VIP客户。
  
 重要发展客户：最近消费时间较近、消费金额高，但频次不高，忠诚度不高。他们是很有消费潜力的用户，需要重点发展。
  
 重要保持客户：最近一次消费时间较远，但曾经一段时间内消费频次和金额都很高，说明他过去是个忠诚客户，企业需要主动和他联系，尝试激活。
  
 重要挽留客户：最近消费时间较远、消费频次不高，但消费金额高，这些可能是将要流失或者已经流失的用户，企业应当采取挽留措施。
  
 后面的一般价值客户、一般发展客户、一般保持客户、一般挽留客户相比前面四组的重要性会低一些。在实际成交客户中，如果对这8组客户维度进行简化分类，我们可以把他们分为A、B、C三个等级。这样，企业员工在维护时会更好地理解、操作。
  
 总而言之，企业在人格上对用户要一视同仁，尊重用户，友善相待，但是在商业服务上则要区别对待。企业不要试图给所有用户一样的服务，而是要将更高级的服务提供给那些更认可企业、能带来更高价值的用户。

3. 用户价值分层——基于RFM模型的研究分析

 •   R（Recency）：消费间隔，最近一次距离上次消费的时间间隔   •   F（Frequency）：消费频次，一段时间（1个月/1年...）内的消费总次数   •   M（Monetary）：消费金额，一段时间（1个月/1年...）内的消费总金额
         RFM模型是用户价值研究中的经典模型，基于近度（Recency），频度（Frequency）和额度（Monetory）这3个指标对用户进行聚类，找出具有潜在价值的用户, 从而辅助商业决策，提高营销效率。RFM作为一种数据驱动的客户细分技术，可帮助营销人员做出更明智的战略性决策，使营销人员能够快速识别用户并将其细分为同类群体，并针对性制定个性化的营销策略，提高用户的参与度和留存率。         RFM建模所需要的数据源是相对简单的，只用到了购买记录中的时间和金额这两个字段。我们基于交易数据中用户的最后一次的购买时间，购买的次数以和频率，以及平均/总消费额对每个用户计算了三个维度的标准分。然后我们对于三个维度赋予了不同的权重，再基于加权后的分值应用K-Means进行聚类，根据每种人群三个维度与平均值之间的高低关系，确定哪些是需要保持用户，哪些是需要挽留的用户，哪些是需要发展的用户等。在将这些客户圈出之后，便可以对不同客户群使用不同针对性地营销策略（引导，唤醒等），提高复购率与转化率。值得注意的是，三个维度的权重制定并没有统一的标准，比较通用的方法是用层次分析法(AHP)，实际场景结合行业以及具体公司的特点进行因地制宜、因人而异的优化。
    RFM因素：    •   R值越高，顾客的有效期越近，对商家活动的响应越积极   •   F值越高，顾客的消费频次越高，对商家的忠诚度就越高   •   M值越高，顾客的消费能力越高，对商家贡献度就越高   •   想要提高复购率和留存率，需要时刻警惕R值
    RFM分析：    •   谁是您最有价值的客户？   •   导致客户流失率增多的是哪些客户？   •   谁有潜力成为有价值的客户？   •   你的哪些客户可以保留?   •   您哪些客户最有可能对参与度活动做出响应？   •   谁是你不需要关注的无价值客户？   •   针对哪些客户制定哪种发展、保留、挽回策略？
         通过RFM模型，可以帮助营销人员实现客户细分；衡量客户价值和客户利润创收能力；识别优质客户；指定个性化的沟通和营销服务；为更多的营销决策提供有力支持。
     数据导入：使用python的pandas.read_csv导入样本数据。   缺失值校验：因数据为生产真实的交易数据，质量相对较高，缺失值较低。
   极值校验：第一份样本数据获取的用户订单实付金额，其中会存在优惠或补差支付，同时因就餐人数不一致，产生的的订单消费也会存在较大的差异，造成极致波动、标准差值较大，因此需对金额进行处理，以人均消费额替代订单支付金额，可去掉10元以下、万元以上的交易订单。
   获取RFM值：使用   groupby获取RFM值
   获取RFM评分值：数据离散，pandas.cut
   实验数据RFM分值占比
                                           说明：F、M分布不均匀，极值差异大，经数据探查知晓该商户开通了企业团餐业务，企业会给员工发放补贴，导致员工呈现较高的消费频次，该类用户的消费行为绝大程度依赖于企业，在实际的RFM模型可踢出此类订单，降低此类人群的分值，其次数据中的M值为客户实付金额，该商户支持预定、会餐、大小桌，同一单的消费群体不同，或可使用人均消费总额作为M值。   RFM数据合并，建立R、F、M数据框：pandas+numpy
   计算RFM综合分值：权重法   权重值主要赋值方法可分为主观赋权法、客观赋权法，如下：   主观赋权法：主要由专家经验得到权数，然后对指标进行综合评价。是一种结合性方法，易操作，存在一定主观性。常用方法：层次分析法AHP、权值因子判断表法、德尔菲法、模糊分析法、二项系数法、环比评分法、最小平方法、序关系分析法等。   客观赋权法：依据历史数据研究指标之间的相关关系或指标与评估结果的影响关系来综合评价。这是定量研究，无须考虑决策者主观意愿和业务经验，计算方法较为复杂。常用方法：主成分分析、因子分析、熵值法、变异系数法、均方差法、回归分析法等。   因样本数据分布不均匀，故手动赋权重值，去除部分极值。
                                           结论：以近90天的消费活跃来看，用户消费频次集中在1-6次，呈现出极佳的复购率。可以针对消费一次的人群进行特征分析。比如针对人群的流动性，若流动人群占比较大，可进一步推广特色菜吸引客户，若周边人群占比较高，可基于复购人群的特征进行分析，同时平台可提供该类人群近期消费偏好，供商家参考，制定针对性方案。
         了解RFM定义后，将3个指标作为坐标系的XYZ坐标轴，从空间上切割成8类，作为用户的价值分层，如下图：
                                           用户价值分层说明：
                                           上面我们已经计算得到各个用户的RFM分值，接下来要依据分值进行分类。   定义RFM 的分值等级
   使用pyecharts绘制玫瑰图：
                                           结论：商家顾客表现出来的忠诚度较高，但新客获取能力较低。但是单纯看分层占比，并没有实际意义，可以基于价值分层与其他特征关联分析进行精准投放。如下图（网络参考图，本期实验并未涉及其他特征）所示：
                                                 用户画像是基于用户信息与行为衍生出来的特征属性，用户的准入信息是用户的主观特征，是一种既定的事实，通过对用户行为的采集、研究，刻画出单个用户的特征。其意义在于基于某一事物对群里特征进行分类，有效的体现事物的合适人群；同时针对群里特征的偏爱、习惯研究，可以刻画出用户的需求，实现精准化营销。
                                                 用户画像的基础成分来源于用户的准入信息（会员注册时的登记信息），更多的特征数据来源于用户的各类行为，而RFM模型便是基于用户消费行为提炼出来的价值指标。通过对各个价值分层的群体特征研究，可以有效提升获客能力以及针对各类人群实现精准化营销。
         市场和运营往往绞尽脑汁做活动、上新品、蹭热点、做营销，拓渠道，不断开发客户、做回访维系客户感情，除了少数运气好的之外，但大多效果寥寥，这是为何？         经验丰富的营销人员都知道“了解客户”和“客户细分”的重要性。营销人员不仅要着眼于创造更多的访问量和点击量以提高客户获取，还必须遵循从提高点击率（CTR）转变为提高保留，忠诚度并建立客户关系的新范式。与其将整个客户群作为一个整体进行分析，不如将其划分为同类群体，了解每个群体的特征，并使他们参与相关的活动，而不是仅根据客户年龄或地理位置进行客户细分。而RFM分析是市场营销人员分析客户行为的最流行、最简单、最有效的客户细分方法之一。    针对RFM分层用户制定相应的营销策略:          • 重要价值客户是您的最佳客户，他们是那些最新购买，最常购买，并且花费最多的消费者。提供VIP服务和个性化服务，奖励这些客户，他们可以成为新产品的早期采用者，并有助于提升您的品牌。         • 重要发展客户：近期客户，消费金额高，但平均频率不太高，忠诚度不高。提供会员或忠诚度计划或推荐相关产品以实现向上销售并帮助他们成为您的忠实拥护者和高价值客户。         • 重要保持客户：经常购买、花费巨大，但最近没有购买的客户。向他们发送个性化的重新激活活动以重新连接，并提供续订和有用的产品以鼓励再次购买。         • 重要挽回客户：曾经光顾，消费金额大，购买频率低，但最近没有光顾的顾客。设计召回策略，通过相关的促销活动或续订带回他们，并进行调查以找出问题所在，避免将其输给竞争对手。         •一般价值客户：最近购买，消费频次高但消费金额低的客户，需要努力提高其客单价，提供产品优惠以吸引他们。         • 一般发展客户：最近购买，但消费金额和频次都不高的客户。可提供免费试用以提高客户兴趣，提高其对品牌的满意度。         • 一般保持客户：很久未购买，消费频次虽高但金额不高的客户。可以提供积分制，各种优惠和打折服务，改变宣传方向和策略与他们重新联系，而采用公平对待方式是最佳。         • 一般挽留客户：RFM值都很低的客户。针对这类客户可以对其减少营销和服务预算或直接放弃。
         此外，目前的RFM分析中，一般给与M值更高的权重，如果一般挽留客户与一般发展客户占据多数，说明公司的用户结构不是很合理，需要尽快采取措施进行优化。

4. 用户体系搭建（二）——如何用RFM划定用户层级

RFM是很传统的数据分析模型，几乎所有文章都会提到它，然而市面上RFM模型很多只是讲解了如何通过RFM解决和划定用户群体，但是很少有详细说明RFM模型的计算方式，本文讲解RFM模型的含义及应用以及如何使用SPSS计算RFM模型。
  
 1、RFM模型概述
  
 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 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。（摘自百度百科）
  
 以上是百度百科对RFM模型的描述，说的比较复杂，简单的来讲RFM是通过统计用户最近购买时间（R），购买的次数（F），购买的金额（M）这三个维度来描述用户在群体中的位置。对于这三个维度的描述具体如下：
  
 基于这三个维度，将每个维度分为高低两种情况，我们构建出了一个三维的坐标系。
                                          
 通过图表很直观的发现，我们把客户分为了2的三次方也就是8个群体。
                                          
 2、RFM模型取数方法
   根据RFM模型的定义，我们可以很容易的推导出，RFM模型的数据取数内容主要包括三个字段即：最近购买时间、最近购买次数、消费金额。但是在实际工作中也会有问题是我们要计算每个用户的购买时间、购买次数费事费力，所以一般也可以通过统计订单来进行计算。
   当我们通过订单进行统计时需要包含以下字段
  
 当我们准备好以上数据时就可以开始准备计算RFM模型
  
 考虑不少人不是很了解SPSS，下面也将包含一些SPSS基础功能的讲解
   1、设置度量标准
   SPSS分为数据视图和变量视图，在开始前需要在变量视图中设置数据类型
   SPSS中数据类型包括度量、名义、序号，
                                          
 2、设置变量类型及宽度
   变量类型是定义该变量是何种类，点击类型弹出变量类型选择弹窗
                                          
 宽度定义变量的展示位数，对于Order_id、User_id等需要注意变量长度，让这两个字段完全展示。
   另外对于，Create_time这一字段应选用日期这一类型并选择yyyy:mm:dd
                                                                                  
 我们可以直接将excel里的数据直接复制过来。
   4、选择分析模型分析
   Step1：选择分析模型
   完成数据准备后选择 直销——RFM分析，不同汉化版本翻译可能稍有不同
                                          
 Step2：选择数据格式
   由于我们使用的是订单记录，所以我们选用交易数据
                                                                                                                          
 Stpe4:SPSS执行RFM分析
  
 SPSS完成分析后，会生成一个新的数据文件，记录每个客户的最近一次交易日期、交易总次数、交易总金额、RS/FS/MS分值、RFM汇总分值。
   RFM汇总分值=RS分值 100+FS分值 10+MS分值。
   
                                          
 
  
 选用分析—描述统计——描述这一方法计算RS\FS\MS均值
                                                                                  
 最终可得如下结果
                                                                                  
 选择"重新编码为不同变量"，先对客户的RS进行高低转化。
                                                                                                                                                                                                          
 依据上表，逐个设置各客户类型所对应的数据规则。
  
 设置客户类型=1的数据规则，操作如下：
                                          
 重复以上操作设定不同数据类型
   最后将将客户类型编码1、2、3、4、5、6、7、8转换成实际客户类型：
                                                                                  
 最终，可得出如下结果

5. 基于RFM模型的用户分类及精细化运营（附实例）

 ​一、RFM模型简介
   1、释义
   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。
   R：最近一次消费 (Recency)：代表用户距离当前最后一次消费的时间
   F：消费频率 (Frequency)：用户在一段时间内，对产品的消费频次
   M：消费金额 (Monetary)：代表用户的贡献价值
                                           一般情况下，我们将R、F、M分别分五个维度打分，通过归一化打分之后，把用户所打分值与所有用户的总分均值作高低比较，再将R、F、M每个方向定义为：高、低，两个方向，如此可将用户分为2 2 2=8类，如下：
                                           当我们将客户分类后，便可以针对性指定精细化运营策略，帮助大家了解完RFM模型后，我将用一个实例具体展示操作流程，以下实例以某玩家作品网站为例，爬取前十个网页共240个玩家作品的昵称、编号、点赞数、积分、上传日期时间等信息进行分析，具体流程如下：
    1 数据爬取 
    2 数据清洗 
    3 数据分析 
    3.1 重新定义RFM 
    3.2 定义RFM打分标准 
    3.3 归一化打分 
    3.4 计算RFM均值 
    3.5 用户分类 
    3.6 统计与可视化 
    4 运营策略 
   1 数据爬取
   2 数据清洗
   3 数据分析
   3.1 重新定义RFM
   由于获取的是作品相关信息（获取信息有限），所以在此对RFM进行重新定义：
   R：最近一次上传作品日期据今天几天；
   F：作品数（用户最近一段时间内上传作品的数量）；
   M：点赞数（用户最近一段时间内上传作品的点赞总数）
   3.2 定义RFM打分标准
                                           3.3 归一化打分
                                           3.4 计算RFM均值
                                           3.5 用户分类
   将3.3与3.4比较得出用户分类
                                           3.6 统计与可视化
                                                                                   4 运营策略
                                           以上便是此次操作全过程，不当之处，还请指正，谢谢！

6. 根据RFM模型的三个指标可以将用户群体划分为哪八个级别

[开心]您好，亲，非常开心回答您你的问题，根据RFM模型的三个指标可以将用户群体划分为哪八个级别，帮您查询到 ，通过R、F、M三个维度,将用户有效地细分为8个具有不同价值的群体:重要价值客户、重要发展用户、重要挽留用户、重要保持客户、一般价值客户、一般发展用户、一般挽留客户与一般保持客户。希望我的回答能帮助到您。祝您身体健康,心情愉快!【摘要】
根据RFM模型的三个指标可以将用户群体划分为哪八个级别【提问】
[开心]您好，亲，非常开心回答您你的问题，根据RFM模型的三个指标可以将用户群体划分为哪八个级别，帮您查询到 ，通过R、F、M三个维度,将用户有效地细分为8个具有不同价值的群体:重要价值客户、重要发展用户、重要挽留用户、重要保持客户、一般价值客户、一般发展用户、一般挽留客户与一般保持客户。希望我的回答能帮助到您。祝您身体健康,心情愉快!【回答】
亲，RFM模型直观的把客户划分为8个不同层级+其中重要发展客户的RFM指标因为：R 最近1次消费时间间隔（Recency）F 消费频率（Frequency）M 消费金额（Monetary）：一段时间内消费的总金额（“一段时间”通常根据不同应用场景来定）而用这三个指标进行分析的方法就叫RFM模型或者是RFM分析法。【回答】