学习笔记 – RFM模型

RFM模型是互联网衡量当前用户价值和客户潜在价值的重要工具和手段。RFM是Rencency（最近一次消费），Frequency（消费频率）、Monetary（消费金额），三个指标首字母组合。

本次数据中通过最近消费（R）和消费频率（F）建⽴RFM模型：

• 重要⾼价值客户：指最近⼀次消费较近⽽且消费频率较⾼的客户；
• 重要唤回客户：指最近⼀次消费较远且消费频率较⾼的客户；
• 重要深耕客户：指最近⼀次消费较近且消费频率较低的客户；
• 重要挽留客户：指最近⼀次消费较远且消费频率较低的客户；

1 R计算

-- 获取用户最近的购买时间
create view user_recency as
select user_id,max(dates) recent_buy_time from temp_trade where behavior_type ='2' group by user_id

-- 计算每个用户的最近购买时间与2019-12-18相差几天，并根据天数给予分数
create view r_level as
select user_id,recent_buy_time,datediff('2019-12-18',recent_buy_time),
case when datediff('2019-12-18',recent_buy_time)<'2' then '5'
     when datediff('2019-12-18',recent_buy_time)<='4' then '4'
     when datediff('2019-12-18',recent_buy_time)<='6' then '3'
     when datediff('2019-12-18',recent_buy_time)<='8' then '2'
     else '1' end as r_value
   from user_recency
   order by recent_buy_time  

2 F计算

-- 获取用户购买次数
create view user_buy_frequency as
select user_id,count(behavior_type) buy_frequency from temp_trade where behavior_type ='2' group by user_id

-- 对购买次数进行打分
create view f_level as
select user_id,buy_frenquecy,
(case 
when buy_frenquecy<=2 then 1
when buy_frenquecy<=4 then 2
when buy_frenquecy<=6 then 3
when buy_frenquecy<=8 then 4
else 5 end) f_value
from user_buy_frequency

3 整合

-- R与F整合分类用户
select avg(r_value) r_avg from r_level; -- 2.7939
select avg(f_value) f_avg from f_level; -- 2.2606
select r.user_id,r.r_value,f_value,
(case
when r.r_value>2.7939 and f.f_value>2.266 then '重要价值客户'
when r.r_value<2.7939 and f.f_value>2.266 then '重要唤回客户'
when r.r_value>2.7939 and f.f_value<2.266 then '重要深耕客户'
when r.r_value<2.7939 and f.f_value<2.266 then '重要挽留客户'
end) r_f_value -- 没有其他结果时，就不加else

from r_level r inner join f_level f on r.user_id=f.user_id