nexus/wiki/concepts/RFM-Analysis.md at c898cc3fb924eeb27ec63f2d0ae471b5059c2d3e

Files

weishen 82741b1c69 ingest: support-analytics-reporter.md

- Source page: Analytics Reporter Agent Personality
- Concepts: RFM-Analysis, Marketing-Attribution
- Updated: index.md (entry fix), overview.md (Support dept), log.md

2026-04-25 21:06:28 +08:00

3.2 KiB

Raw Blame History

title, type, tags, sources, last_updated

title

type

Aliases

RFM Segmentation
Recency, Frequency, Monetary Analysis
客户价值分层分析

Definition

RFM Analysis 是一种三维客户价值分层方法，通过最近购买时间（Recency）、购买频率（Frequency）、消费金额（Monetary）三个维度对客户进行分群，从而识别高价值客户、流失风险客户和潜力客户，为精准营销和客户运营提供数据支撑。

Core Metrics

维度	定义	计算方式
Recency	最近一次购买距今天数	`当前日期 - 最近购买日期`（越小越好）
Frequency	购买总次数	`COUNT(order_id)`（越大越好）
Monetary	累计消费金额	`SUM(revenue)`（越大越好）

Scoring Method

每个维度按分位数（通常5分位）打分：

R_Score：最近购买时间越近，分数越高（1-5分，5=最近）
F_Score：购买频率越高，分数越高（1-5分，5=最频繁）
M_Score：消费金额越高，分数越高（1-5分，5=最高金额）

组合 R+F+M 得 RFM Score（如 555、311）。

Customer Segments

RFM Score	客户类型	策略建议
555/554/544/545/454/455/445	Champions（冠军客户）	奖励忠诚度，邀请推荐，升级销售高端产品
543/444/435/355/354/345/344/335	Loyal Customers（忠诚客户）	培养关系，推荐新品，忠诚度计划
553/551/552/541/542/533/532/531/452/451	Potential Loyalists（潜力忠诚者）	入会欢迎，早期参与，产品教育
512/511/422/421/412/411/311	New Customers（新客户）	入职优化，早期参与
155/154/144/214/215/115/114	At Risk（流失风险客户）	重新参与活动，特殊优惠，赢回策略
其他	Others（一般客户）	常规触达，持续观察

Implementation

import pandas as pd
import numpy as np

def rfm_analysis(df, current_date=None):
    """RFM Analysis implementation"""
    if current_date is None:
        current_date = df['date'].max()
    
    rfm = df.groupby('customer_id').agg({
        'date': lambda x: (current_date - x.max()).days,  # Recency
        'order_id': 'count',                                # Frequency
        'revenue': 'sum'                                    # Monetary
    }).rename(columns={
        'date': 'recency',
        'order_id': 'frequency', 
        'revenue': 'monetary'
    })
    
    # Create quintile scores (1-5)
    rfm['r_score'] = pd.qcut(rfm['recency'], 5, labels=[5,4,3,2,1], duplicates='drop')
    rfm['f_score'] = pd.qcut(rfm['frequency'].rank(method='first'), 5, labels=[1,2,3,4,5], duplicates='drop')
    rfm['m_score'] = pd.qcut(rfm['monetary'], 5, labels=[1,2,3,4,5], duplicates='drop')
    
    rfm['rfm_score'] = rfm['r_score'].astype(str) + rfm['f_score'].astype(str) + rfm['m_score'].astype(str)
    
    return rfm

Connections

support-analytics-reporter — 使用 RFM 进行客户价值分层分析
Customer-Segmentation — RFM 是客户细分的核心方法之一
Business-Intelligence — 属 BI 领域的客户分析子方向

3.2 KiB Raw Blame History Unescape Escape