为啥我做的RFM模型被人说做错了,我错哪了?

2024-02-09 08:48
文章标签 模型 为啥 rfm 我错

本文主要是介绍为啥我做的RFM模型被人说做错了,我错哪了?,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

本文转自知乎

作者:接地气的陈老师

—————————————————————————————————————————————————————

有同学问:“为啥我做的RFM模型被客户/业务部门批斗,说做的是啥XX玩意?我是对着网上的教程做的呀”

 

答:冒着被众多卖网课的号喷死的风险,揭示一个真相,就是在网课里如果不加“模型”俩字是很难卖的动的。大家都喜欢看高大上的东西,所以一般教数据分析的课在描述性统计完了都直接上RFM。

 

如果说成:“你要对用户交易行为进行分段,解读业务含义”,就太搓矮土了,咋吸引人吗。类似的,比如单维度分类,要起个名字叫:二八法,切割法,金字塔模型;比如两维度交叉,要叫矩阵法,象限模型。三维度分类,嘿,就到RFM模型了。轻则上一个3*3*3=27的矩阵,重则先三维度分类再聚类,一看就牛逼!

 

ヾ(◍°∇°◍)ノ゙

 

然鹅,死就死在业务含义四个字上。套到具体的业务场景,你会发现RFM有很多很多不适用的地方。

 

RFM是针对客户ID的分析,所以至少得有客户ID吧。是滴!这就淘汰了一大堆实体店+会员卡模式的企业。这些普遍管不住渠道的企业,客户ID关联订单比例往往只有10%-30%。RFM是基于会员交易做分析,在这种垃圾数据基础上,要剔除高达90%-70%的交易.这么做本身是件很搞笑的事。

 

更不用说,剩下的10%有会员ID的消费里边,又有至少40%的ID以上是一年未到店用户,活跃的撑死20%。更不用说10%*20%里边又有至少30%是各种羊毛卡。实际上,做实体企业信息化项目时,用户价值分析经常被做成渠道贪污力分析……

 

┗( ´・∧・`)┛

 

RFM是针对顾客交易行为,其他行为分析,比如积分兑换行为,直接套用RFM是很不合适的。积分兑换虽然看起来也像用积分买东西,但交易是产生价值,积分兑换是产生成本,这两者业务含义完全不同。其次,积分兑换依赖于顾客手头有多少积分,如果没积分他也没法兑换。所以积分兑换类的分析,要先看顾客的积分持有情况,增长情况,使用率三个指标。

 

RFM是针对顾客交易后记录分析,所以重视售前过程的B2B类销售,基本没得做了。B2B要看销售线索获取时间,跟进次数,项目推进阶段。

 

RFM是针对顾客个人交易后记录分析,所以非最终顾客消费的渠道,基本没得做了。渠道交易要关注sell in sell out两个数据。

 

RFM是针对顾客有一定频次的消费(否则根本不存在RF的概念,有谁隔三差五买个房子……),所以耐用品基本没得做了。耐用品要关注用户需求的关键节点和需求类型,像家电、家纺,关注的是三新(新婚、新居、新年)。像房子、车子,关注首次置业/二次更新、自用/投资一类的指标。

 

所以看到底,RFM其实比较适合传统企业里的运营商、银行、航空,或者互联网里的电商、出行,这种必须捆绑客户ID,有一定频次的小额消费。这时候才能做出网课里的RFM的各种骚操作效果。

 

因此同学们要关注业务场景,关注自己到底服务的是什么业务。RFM的精华不是最后聚类那一步,而是RFM是一个经过积累检验,很好用的三维度分类。相当多的快消品有使用量的概念,所以知道了R,F以后可以进行补货提醒,这才是模型的初衷。不要一味追求用复杂的计算,解决业务问题才是要义。


照例,估计这么一发,很多同学会问,那列举的那么多场景该怎么分析,来来来让我看到大家点赞的小手,赞多了再更新

(▰˘◡˘▰)

这篇关于为啥我做的RFM模型被人说做错了,我错哪了?的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/693742

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

线性因子模型 - 独立分量分析(ICA)篇

序言 线性因子模型是数据分析与机器学习中的一类重要模型,它们通过引入潜变量( latent variables \text{latent variables} latent variables)来更好地表征数据。其中,独立分量分析( ICA \text{ICA} ICA)作为线性因子模型的一种,以其独特的视角和广泛的应用领域而备受关注。 ICA \text{ICA} ICA旨在将观察到的复杂信号