【背景介紹】
**付費使用者在40萬 +，目前只有針對新使用者和流失客戶（大客戶部分）兩大人群做專門運營活動，從開源和節流兩個層面上保證付費盤子的擴大，但對於現金牛使用者（除了新使用者和流失客戶）一般能觸及到的就是全站營銷活動，但試想**格仔市場相差如此之大（最貴格仔7天置頂1288元，最便宜格仔7天置頂5元），使用者的消費能力也必然相差較大，不進行精細化運營很難保證營收的最大化。於是我們引入使用者分層的模型rfm，此模型在電信等其他行業已經成熟運用。
rfm（recency，frequency，monetary）分析是一種營收市場技術，主要是通過分析付費使用者的行為，對付費使用者進行分層，從而達到精準營銷的目的。有興趣可參考 : rfm模型_wiki。rfm的變體 rfd（recency，frequency，duration）也可用與於對**使用者的其他行為分析，詳情及其他變體不在此贅述。
【引數解釋】
【前提假設】
【資料探勘&資料化運營】
這裡主要介紹rfm模型在**營收付費使用者的應用（case study），主要分為以下幾個步驟：
step1，rfm 分析和付費使用者分層（cluster）
step2，跟蹤使用者在不同狀態的轉移 （classification）
step3，付費使用者的產品推薦（association rule）（有可能不做，因為產品較少且產品相似度較高）
具體環節參考圖1：
圖 1一、rfm分析和付費使用者分層
1.1 rfm指標重新定義
以上付費行為只考慮置頂大類(置頂，十萬火急，至尊展位) + **包
1.2 rfm分析
r-f-m分別按照5,4,3,2,1進行賦值,分別給出r_score,f_score,m_score,
1.3使用者分層（聚類方法）
按照r_score，f_score，m_score進行使用者聚類，採用方法為k-means，後續優化採用k-means + + ，共分8類，並給rfm賦予權重（目前權重採用r:f:m = 0.25:0.25:0.5），計算各類的使用者價值。
1.4 結果解釋
說明：1.5 資料運營案例
這裡先選取重要保持客戶作為營銷的案例，主要分為2個環節：營銷測試和營銷正式上線，正式上線時考慮開發成本，選取的是模型的簡化規則。
1.5.1營銷測試
提取重要維持客戶進行使用者喚回，具體測試如下：
活動物件：利用rfm模型 挑選出 重要保持客戶[特徵：r （最近付費距今天數）較小，f（消費頻次）較大，m（消費額度）較大]，並按照clv（客戶終身價值）的高低分成2組使用者進行使用者喚回。發券時進行使用者篩選條件收緊：30天無accrual消費
活動方式：按上次消費產品和格仔，發放3天置頂5折券
活動有效期：7天
結果：clv較低的使用者用券率和roi更高，也會作為後續運營的重點。
1.5.2營銷上線
模型簡化後，營銷上線的條件如下：
上線時間：2015/7/20,後續每週一11點run一次
活動型別：現金抵用券
券使用範圍：使用者最後一次消費的ad所在的格仔
券型別：根據使用者最後一次購買過的置頂類產品，購買的是置頂送置頂券，火急送火急券，至尊送至尊券，都沒有就送置頂券
券金額：3天置頂/火急/至尊的5折金額的現金券
券有效期：14天
二、跟蹤使用者在不同狀態的轉移
隨著時間的推移，使用者很可能會在不同類別之間流轉，譬如「重要保持客戶」轉變為「重要挽留客戶」，如何**使用者在一段時間後的狀態，及時做出市場動作，就顯得比較重要，這裡主要通過使用者的屬性來**使用者在4週後（選做4周的原因見下表）的類別，從而達到跟蹤使用者狀態轉移的過程。
1週後2週後
3週後4週後
使用者狀態改變率
0%12%
18%24%
注：使用者狀態改變率 = ？週後狀態改變的使用者數/總使用者數
這裡主要是用到了資料探勘中的多元分類機器學習方法，主要嘗試了***** bayes，k-近鄰(knn)，決策樹，隨機森林，神經網路等方法，其中**準確率比較高的是隨機森林，神經網路和決策樹，這裡欲採取決策樹方法，主要原因：（1）通過調參可以達到和隨機森林及神經網路差不多的準確率acc；（2）auc值相對比較高；（3）結果可解釋性比較強。
【附】多元分類器的效能比較
決策樹 （decision tree）
神經網路
（ann）
***** bayes
k-近鄰（knn）
svm準確率（通常情況）23
124演算法速度（耗時）31
441對缺失值的處理31
412對冗餘feature的tolerance22
123對高相關feature的tolerance23
113feature的離散和連續的要求
—3（離散）
3（連續）
3（直接離散）
2（離散）
對雜訊的tolerance22
332overfitting的處理21
332可解釋性41
421引數處理31
431
說明：1-4分是對各演算法的表現進行打分，4分表示best，1分表示worst
RFM模型（使用者分析）
rfm模型是衡量客戶價值和客戶創利能力的重要工具和手段。在眾多的客戶關係管理 crm 的分析模式中，rfm模型是被廣泛提到的。該機械模型通過乙個客戶的近期購買行為 購買的總體頻率以及花了多少錢3項指標來描述該客戶的價值狀況。根據美國資料庫營銷研究所arthur hughes的研究，客戶資料庫中有3個...
RFM使用者分層模型簡介
rfm使用者分層模型在實際商業活動的資料分析中運用的還是挺多的，主要用於使用者 商品 門店等等的分群和細分層次，分群之後就可以進行定向精準營銷和推廣以及促活和留存等等的運營活動。rfm是一種使用者分層模型，就是從r f m三個維度來分析使用者，其中 r recency 最後1次消費距今天數，為 近度...
使用者價值和RFM模型
什麼是使用者價值？使用者價值就是對公司來說有用的地方，比如有的公司看中使用者的消費能力，有的公司則看中使用者的忠誠度 各公司的業務目的不同，使用者價值的體現自然也不同。這裡主要說一下適用於電商的rfm模型。什麼是rfm模型？rfm模型根據使用者最近一次消費時間r，消費頻率f，消費金額m，計算出rfm...