238 lines
5.7 KiB
HTML
238 lines
5.7 KiB
HTML
<!DOCTYPE html>
|
||
|
||
<html lang="zh-CN">
|
||
|
||
<head>
|
||
|
||
<meta charset=“UTF-8”>
|
||
|
||
<title>数据报告</title>
|
||
|
||
<link rel="icon" type ="image/png" href="icon.png">
|
||
|
||
<link rel="stylesheet" type="text/css" href="stylesheet.css">
|
||
|
||
</head>
|
||
|
||
<body>
|
||
|
||
<div class="document-container">
|
||
|
||
<p class="document-block-title">基于RFM模型的客户价值分析报告</p>
|
||
|
||
<div class="document-block-description">
|
||
|
||
<span>刘弼仁</span>
|
||
|
||
<span> | </span>
|
||
|
||
<span>2025-08-12</span>
|
||
|
||
</div>
|
||
|
||
<h1>分析背景</h1>
|
||
|
||
<p>在面向客户制定运营策略时，我们希望针对不同的客户推行不同的策略，实现精准化运营，以期获得最大的投入产出比（ROI）。精准化运营的前提是客户分类。通过客户分类，细分出不同的客户群体，对不同的客户群体采取不同的运营策略，合理分配有限的资源，以实现投入产出最大化。</p>
|
||
|
||
<p>在客户分类中，RFM模型是一个经典的客户分类模型，该模型利用交易环节中最核心的三个变量，即最近消费（Recency）、消费频率（Frequency）和消费金额（Monetray）细分客户群体，从而分析不同群体的客户价值。</p>
|
||
|
||
<p>本报告使用Kaggle的SuperstoreData作为数据集，探索如何基于RFM模型对客户群体进行细分，以及细分后如何对客户价值进行分析。</p>
|
||
|
||
<h1>分析过程</h1>
|
||
|
||
<h2>数据预览</h2>
|
||
|
||
<iframe scrolling="no" style="height: 300px !important;" src="数据预览.html"></iframe>
|
||
|
||
<p>数据集共24751份样本。其中，客户ID数据类型为字符串，交易金额为小数，交易日期为日期。</p>
|
||
|
||
<h2>构建RFM模型</h2>
|
||
|
||
<p>其中，R为最近一次交易日期距最远交易日期间隔，单位为日，数据类型为整数；F为交易笔数，数据类型为整数；M为累计交易金额，数据类型为小数。R、F和M均已正向化。</p>
|
||
|
||
<h2>客户分类</h2>
|
||
|
||
<p>本报告就R、F和M基于平均值划分为小于等于平均值部分和大于部分：</p>
|
||
|
||
<table>
|
||
|
||
<tr>
|
||
|
||
<th>客户分类</th>
|
||
|
||
<th>R大于R平均值</th>
|
||
|
||
<th>F大于F平均值</th>
|
||
|
||
<th>M大于M平均值</th>
|
||
|
||
</tr>
|
||
|
||
<tr>
|
||
|
||
<td>流失客户</td>
|
||
|
||
<td>否</td>
|
||
|
||
<td>否</td>
|
||
|
||
<td>否</td>
|
||
|
||
</tr>
|
||
|
||
<tr>
|
||
|
||
<td>一般维持客户</td>
|
||
|
||
<td>否</td>
|
||
|
||
<td>是</td>
|
||
|
||
<td>否</td>
|
||
|
||
|
||
</tr>
|
||
|
||
<tr>
|
||
|
||
<td>新客户</td>
|
||
|
||
<td>是</td>
|
||
|
||
<td>否</td>
|
||
|
||
<td>否</td>
|
||
|
||
</tr>
|
||
|
||
<tr>
|
||
|
||
<td>潜力客户</td>
|
||
|
||
<td>是</td>
|
||
|
||
<td>是</td>
|
||
|
||
<td>否</td>
|
||
|
||
</tr>
|
||
|
||
<tr>
|
||
|
||
<td>重要挽留客户</td>
|
||
|
||
<td>否</td>
|
||
|
||
<td>否</td>
|
||
|
||
<td>是</td>
|
||
|
||
</tr>
|
||
|
||
<tr>
|
||
|
||
<td>重要深耕客户</td>
|
||
|
||
<td>是</td>
|
||
|
||
<td>否</td>
|
||
|
||
<td>是</td>
|
||
|
||
</tr>
|
||
|
||
<tr>
|
||
|
||
<td>重要唤回客户</td>
|
||
|
||
<td>否</td>
|
||
|
||
<td>是</td>
|
||
|
||
<td>是</td>
|
||
|
||
</tr>
|
||
|
||
<tr>
|
||
|
||
<td>重要价值客户</td>
|
||
|
||
<td>是</td>
|
||
|
||
<td>是</td>
|
||
|
||
<td>是</td>
|
||
|
||
</tr>
|
||
|
||
</table>
|
||
|
||
<h1>数据解读</h1>
|
||
|
||
<h2>近十二个自然月客户数趋势</h2>
|
||
|
||
<iframe src="近十二个自然月客户数趋势.html"></iframe>
|
||
|
||
<p>上图表示近十二个自然月的每个自然月对应的前后滚动十二个自然月的客户数，反映了客户发展的趋势为越来越多。</p>
|
||
|
||
<h2>客户分类分布</h2>
|
||
|
||
<iframe src="客户分类分布.html"></iframe>
|
||
|
||
<p>上图表示各客户分类在R、F和M分布，其中：R越靠近右侧反映了该客户分类越最近交易，F越靠近上侧反映了该客户分类越交易频繁，M越大反映了该客户分类越交易金额大。</p>
|
||
|
||
<h2>客户占比</h2>
|
||
|
||
<iframe src="客户占比.html"></iframe>
|
||
|
||
<p>上图表示各客户分类的客户占比，反映了重要价值客户、流失客户和新客户这三类客户分类的客户占比较大，是后续分析的重点。</p>
|
||
|
||
<h2>交易金额占比</h2>
|
||
|
||
<iframe src="交易金额占比.html"></iframe>
|
||
|
||
<p>上图表示各客户分类的交易金额占比，反映了重要价值客户、新客户和重要唤回客户这三类客户分类的交易金额占比较大。</p>
|
||
|
||
<h2>近十二个自然月客户占比趋势</h2>
|
||
|
||
<iframe src="近十二个自然月客户占比趋势.html"></iframe>
|
||
|
||
<p>上图表示重要价值客户、流失客户和新客户这三类客户分类的客户占比，反映了近期新客户占比提升、重要价值客户和流式客户占比下降，建议针对重要价值客户制定相应运营策略。</p>
|
||
|
||
<h2>近十二个自然月留存率趋势</h2>
|
||
|
||
<iframe src="近十二个自然月留存率趋势.html"></iframe>
|
||
|
||
<p>上图表示重要价值客户、流失客户和新客户这三类客户分类的近十二个自然月的留存率，反映了重要价值客户较流式客户和新客户黏性大，近期新客户黏性较大。</p>
|
||
|
||
<p>通过客户分类，我们可以根据客户细分群体制定相应的产品和运营策略和方案：</p>
|
||
|
||
<ul>
|
||
|
||
<li>重要价值客户</li>
|
||
|
||
<p>最近交易、经常交易、交易金额高，建议提供客制化商品/服务以维持客户交易能力和忠诚度。</p>
|
||
|
||
<li>潜力客户</li>
|
||
|
||
<p>最近交易、经常交易、交易金额低，建议提供短期、针对性促销方案以期提升客户交易能力。</p>
|
||
|
||
<li>重要唤回客户</li>
|
||
|
||
<p>最近无交易、过往经常交易且交易金额高，建议调查客户流失原因并尝试挽回，加强客户关系管理以期提升客户满意度。</p>
|
||
|
||
<li>...</li>
|
||
|
||
</ul>
|
||
|
||
</div>
|
||
|
||
<footer>
|
||
|
||
<p>临渊羡鱼，不如退而结网</p>
|
||
|
||
</footer>
|
||
|
||
</body>
|
||
|
||
</html> |