營(yíng)銷數(shù)據(jù)分析 教案 李永發(fā) 第10章 客戶關(guān)系管理教案

第10章客戶關(guān)系管理教學(xué)內(nèi)容一、利用邏輯回歸算法的識(shí)別潛在顧客二、利用決策樹(shù)的預(yù)測(cè)客戶流失教學(xué)要求【知識(shí)目標(biāo)】了解大數(shù)據(jù)在客戶關(guān)系管理中的應(yīng)用；理解邏輯回歸算法的定義、原理和應(yīng)用；掌握基于邏輯回歸算法的潛在顧客識(shí)別；理解RFM模型的基本概念和應(yīng)用；掌握基于RFM模型的客戶分類方法；掌握基于決策樹(shù)的客戶流失預(yù)測(cè)方法?！炯寄苣繕?biāo)】學(xué)會(huì)利用邏輯回歸算法的潛在顧客進(jìn)行識(shí)別，以及學(xué)會(huì)利用決策樹(shù)的流失客戶進(jìn)行預(yù)測(cè)教學(xué)重點(diǎn)基于邏輯回歸算法的潛在顧客識(shí)別；基于RFM模型的客戶分類；基于邏輯回歸算法的客戶流失預(yù)測(cè)。教學(xué)難點(diǎn)客戶購(gòu)買預(yù)測(cè)模型的構(gòu)建；基于RFM模型的客戶分類客戶流失預(yù)測(cè)模型的構(gòu)建。教學(xué)方法講授法、案例法、任務(wù)驅(qū)動(dòng)法、演示法課時(shí)數(shù)12課時(shí)教學(xué)內(nèi)容客戶關(guān)系管理一、客戶關(guān)系管理簡(jiǎn)介客戶關(guān)系管理是指企業(yè)通過(guò)先進(jìn)的技術(shù)收集大量客戶信息，借助特定的數(shù)據(jù)分析技術(shù)識(shí)別準(zhǔn)顧客、保留優(yōu)質(zhì)和有價(jià)值的客戶，并在此基礎(chǔ)上針對(duì)客戶的不同特征和生命周期階段進(jìn)行企業(yè)營(yíng)銷資源的有效分配，從而促進(jìn)客戶忠誠(chéng)，獲得客戶終生價(jià)值，提高企業(yè)獲利能力的一系列活動(dòng)。本質(zhì)上來(lái)說(shuō)，客戶關(guān)系管理的過(guò)程就是對(duì)優(yōu)質(zhì)客戶獲取和保留的過(guò)程，它是隨著企業(yè)和客戶關(guān)系的演化而動(dòng)態(tài)變化的，是對(duì)客戶生命周期的全過(guò)程管理。因此，精準(zhǔn)識(shí)別潛在客戶，實(shí)行客戶分類和預(yù)測(cè)客戶流失成為客戶關(guān)系管理的三個(gè)重要內(nèi)容。當(dāng)前，移動(dòng)互聯(lián)網(wǎng)設(shè)施與互聯(lián)網(wǎng)的普及和智能終端設(shè)備的高滲透率，使得企業(yè)比以往任何時(shí)候都能更容易、更快速地獲得更豐富、更復(fù)雜、更真實(shí)和規(guī)模更大和的客戶數(shù)據(jù)信息。而大數(shù)據(jù)挖掘技術(shù)的不斷更新和演化，使得企業(yè)可以基于顧客大數(shù)據(jù)識(shí)別潛在客戶，對(duì)客戶進(jìn)行科學(xué)分類，預(yù)警可能的客戶流失，為企業(yè)更好地滿足客戶的需求，更合理地配置資源，更精準(zhǔn)地制定個(gè)性化的營(yíng)銷策略提供依據(jù)。二、問(wèn)題設(shè)計(jì)近10年來(lái)，我國(guó)六家主要商業(yè)銀行的凈利潤(rùn)所占比例持續(xù)下滑，市場(chǎng)份額不斷下降，而中小型銀行和民營(yíng)銀行的市場(chǎng)份額卻持續(xù)上升。銀行業(yè)競(jìng)爭(zhēng)的激烈程度可見(jiàn)一斑。為了保持甚至提升自己的市場(chǎng)份額，增加凈利潤(rùn)，商業(yè)銀行不僅需要吸引、開(kāi)發(fā)新客戶以彌補(bǔ)可能的客戶流失，從而保證銀行長(zhǎng)期的可持續(xù)發(fā)展，而且還需要保留老客戶、降低客戶流失率，提高銀行聲譽(yù)，保證銀行長(zhǎng)期穩(wěn)定的利潤(rùn)增長(zhǎng)。在這種背景下，某商業(yè)銀行決定采取以下措施：（1）為了吸引更多的客戶，某商業(yè)銀行的業(yè)務(wù)部推出了新的定期存款業(yè)務(wù)，并讓業(yè)務(wù)員們通過(guò)群發(fā)短信和電話推銷兩種傳統(tǒng)的“撒網(wǎng)式”推廣方式向銀行的老客戶進(jìn)行推薦。然而，事與愿違，這一做法不僅成本比較高，而且收到的客戶反饋和響應(yīng)也很少，營(yíng)銷效率和效果都遠(yuǎn)不如預(yù)期。該商業(yè)銀行的業(yè)務(wù)主管希望后續(xù)該業(yè)務(wù)的推廣既能節(jié)約成本，又能提升推薦的轉(zhuǎn)化率。為了達(dá)成上述目標(biāo)，該銀行需要更精準(zhǔn)地選擇更有可能成為該業(yè)務(wù)的客戶進(jìn)行電話和短信推銷，而不是無(wú)的放矢的撒網(wǎng)式電話推廣。那么，該銀行應(yīng)選擇哪些客戶進(jìn)行電話或短信溝通以推薦其新的定期存款業(yè)務(wù)呢？（2）考慮到不同客戶對(duì)銀行價(jià)值貢獻(xiàn)的差異和銀行資源的有限性，銀行準(zhǔn)備對(duì)客戶按照其價(jià)值進(jìn)行科學(xué)分級(jí)，以便更好地與客戶進(jìn)行溝通，為不同的客戶提供更符合其需求的個(gè)性化的產(chǎn)品和服務(wù)，從而增強(qiáng)客戶滿意度，提高客戶忠誠(chéng)度。那么，該銀行的客戶按照其價(jià)值能分成哪幾類呢？不同價(jià)值的客戶各自有何特征？應(yīng)針對(duì)不同的客戶采取何種營(yíng)銷措施呢？（3）將客戶視為企業(yè)的重要資源。當(dāng)行業(yè)已經(jīng)進(jìn)入發(fā)展的成熟期，企業(yè)為獲得新顧客而付出的精力、時(shí)間和貨幣成本會(huì)顯著高于維護(hù)老顧客付出的各項(xiàng)成本。因此，已有老客戶的流失就意味著企業(yè)資產(chǎn)的流失。因此，從已收集的大規(guī)?？蛻艚灰讛?shù)據(jù)中篩選出可能造成客戶流失的客戶信息，構(gòu)建客戶流失預(yù)警模型，可以盡可能減少企業(yè)已有客戶的流失。那么，針對(duì)該銀行而言，哪些是具有較高流失風(fēng)險(xiǎn)的客戶呢？這些可能流失的客戶有哪些可識(shí)別的特征？該如何挽留他們呢？三、問(wèn)題解決思路1.客戶購(gòu)買預(yù)測(cè)客戶反饋率的提升實(shí)際上取決于營(yíng)銷人員是否能根據(jù)客戶的一些特征來(lái)識(shí)別新的潛在客戶。若能做到這一點(diǎn)，準(zhǔn)顧客的識(shí)別將不再是大海撈針式的高成本、低效率的營(yíng)銷。在大數(shù)據(jù)時(shí)代，企業(yè)則可以對(duì)采集的海量客戶數(shù)據(jù)進(jìn)行挖掘，從而實(shí)現(xiàn)對(duì)潛在客戶的精準(zhǔn)識(shí)別。由于這種方式可以適時(shí)根據(jù)所采集的客戶數(shù)據(jù)動(dòng)態(tài)調(diào)整客戶購(gòu)買預(yù)測(cè)模型，因此它既可以使企業(yè)避免“廣撒網(wǎng)”式的營(yíng)銷推廣造成的低效率和高成本，也可以很大程度上擺脫企業(yè)對(duì)客戶經(jīng)理經(jīng)驗(yàn)的依賴，更好地適應(yīng)環(huán)境變化。2.客戶價(jià)值分類對(duì)客戶按照價(jià)值進(jìn)行分類是在客戶開(kāi)發(fā)之后，制定營(yíng)銷策略之前必須要做的工作。只有根據(jù)客戶對(duì)企業(yè)帶來(lái)價(jià)值的大小對(duì)客戶進(jìn)行科學(xué)的分級(jí)，企業(yè)才能針對(duì)不同客戶做出科學(xué)、合理的營(yíng)銷資源分配。而客戶對(duì)企業(yè)價(jià)值貢獻(xiàn)的大小是可以通過(guò)客觀數(shù)據(jù)予以量化的，這樣可以避免企業(yè)主觀判斷客戶價(jià)值的大小可能帶來(lái)的認(rèn)知偏差，保證后續(xù)營(yíng)銷決策的正確性。一般，客戶價(jià)值可以根據(jù)消費(fèi)者以往的消費(fèi)金額、購(gòu)買頻次和信用等情況進(jìn)行類別的劃分，具體思路如下：①選擇影響客戶價(jià)值的主要指標(biāo)；②計(jì)算客戶價(jià)值相應(yīng)指標(biāo)的數(shù)值；③按照給定的規(guī)則，根據(jù)各個(gè)客戶價(jià)值的數(shù)據(jù)將每個(gè)客戶歸入相應(yīng)的類別；④針對(duì)具有不同消費(fèi)特征的不同類別的客戶，根據(jù)數(shù)據(jù)分析結(jié)果，提出相應(yīng)的營(yíng)銷建議。3.客戶流失預(yù)測(cè)企業(yè)關(guān)鍵和核心客戶的流失不僅會(huì)給企業(yè)帶來(lái)長(zhǎng)期利潤(rùn)的損失，還可能會(huì)影響企業(yè)良好的聲譽(yù)，影響企業(yè)的長(zhǎng)期穩(wěn)定發(fā)展。客戶挽回是企業(yè)面對(duì)可能流失的客戶采取的必要措施。在大數(shù)據(jù)背景下，企業(yè)得以實(shí)時(shí)跟蹤和收集消費(fèi)者的性別、年齡、職業(yè)、收入等人口統(tǒng)計(jì)信息和信用情況、消費(fèi)頻數(shù)、消費(fèi)金額、活躍情況等購(gòu)買和使用相關(guān)的信息。根據(jù)這些信息，企業(yè)可以找出可能流失的顧客，進(jìn)而采取相應(yīng)的挽回策略，盡可能地保留客戶。一般，流失客戶預(yù)測(cè)的具體思路如下：①根據(jù)已有客戶數(shù)據(jù)找出流失客戶的主要特征屬性；②基于顧客的主要消費(fèi)特征數(shù)據(jù)建立客戶流失預(yù)測(cè)模型；③根據(jù)客戶流失預(yù)測(cè)模型找出可能流失的客戶；④根據(jù)流失客戶的消費(fèi)特征和對(duì)企業(yè)價(jià)值貢獻(xiàn)的評(píng)估，結(jié)合訪談和市場(chǎng)調(diào)查結(jié)果，提出客戶挽留策略建議。客戶購(gòu)買預(yù)測(cè)一、邏輯回歸算法簡(jiǎn)介1.邏輯回歸算法的定義邏輯回歸算法是一種基于概率的解決二分類問(wèn)題的算法，它是利用已知的自變量來(lái)預(yù)測(cè)一個(gè)離散型因變量的值。在實(shí)際操作中，邏輯回歸算法通過(guò)擬合一個(gè)邏輯函數(shù)來(lái)預(yù)測(cè)一個(gè)事件發(fā)生的概率，然后根據(jù)預(yù)先制定的規(guī)則，判斷因變量的類別。因此，邏輯回歸模型中的因變量必須是類別變量。其中，二分類的邏輯回歸算法應(yīng)用最廣泛。根據(jù)邏輯回歸的工作原理，其在實(shí)踐中常被用于以下?tīng)I(yíng)銷場(chǎng)景：預(yù)測(cè)多個(gè)自變量影響下產(chǎn)品達(dá)到預(yù)期收益的概率，預(yù)測(cè)某個(gè)特定商品是暢銷品或熱門產(chǎn)品的概率，預(yù)測(cè)特定客戶響應(yīng)促銷活動(dòng)的概率，預(yù)測(cè)特定客戶發(fā)生購(gòu)買行為的概率。2.邏輯回歸算法的原理與步驟邏輯回歸的基礎(chǔ)是線性回歸，其由線性回歸變換而來(lái)。眾所周知，線性回歸的一般形式是Y=aX+b。其中，因變量y的取值范圍是[-∞,+∞]。由于這種形式與邏輯回歸要解決的二分類問(wèn)題不相符，因此需要對(duì)因變量進(jìn)行適當(dāng)?shù)霓D(zhuǎn)換才能符合邏輯回歸的目的。根據(jù)統(tǒng)計(jì)理論，可以將Y的結(jié)果代入一個(gè)非線性變換的Sigmoid函數(shù)（如公式1）中，即把a(bǔ)X+b代入到Sigmoid函數(shù)中的t中，就可以得到一個(gè)典型的邏輯回歸模型（如公式2）。按照上述公式計(jì)算的函數(shù)s值有兩個(gè)特征：①t無(wú)論取何值，函數(shù)S的值都在[0，1]的區(qū)間內(nèi)；②S的取值有多個(gè)。考慮到一個(gè)分類問(wèn)題僅有0（代表否）和1（代表是）兩種情形，因此，在邏輯回歸中假設(shè)分類的閾值為0.5，將超過(guò)0.5的歸為1分類，將低于0.5的歸為0分類。但此閾值并不確定的，而是根據(jù)所分析問(wèn)題的實(shí)際情況自行設(shè)定。二、基于邏輯回歸的準(zhǔn)客戶識(shí)別1.數(shù)據(jù)源介紹agejobmaritaleducationdefault…y30blue-collarmarriedbasic.9ynono39servicessinglehigh.schoolnono25servicesmarriedhigh.schoolnono38servicesmarriedbasic.9ynono47admin.marrieduniversity.degreenono32servicessingleuniversity.degreenono32admin.singleuniversity.degreenono41entrepreneurmarrieduniversity.degreeunknownno31servicesdivorcedprofessional.coursenono35blue-collarmarriedbasic.9yunknownno…變量名稱數(shù)據(jù)類型變量及取值描述ageint客戶年齡jobstring客戶職業(yè)（分類：“行政管理”、“藍(lán)領(lǐng)”、“企業(yè)家”、“女傭”、“管理”、“退休”、“個(gè)體戶”、“服務(wù)”、“學(xué)生”、“技術(shù)員”、“失業(yè)”、“未知”）martialstring婚姻狀況（分類：“離婚”、“已婚”、“單身”、“未知”；注：“離婚”指離婚或喪偶）educationstring教育狀況（分類：“4年基礎(chǔ)教育”、“6年基礎(chǔ)教育”、“9年基礎(chǔ)教育”、“高中”、“文盲”、“專業(yè)課程教育”、“大學(xué)”、“未知”）defaultstring違約狀況（分類：“否”、“是”、“未知”）housingstring是否住有房貸款（分類：“否”、“是”、“未知”）loanstring是否有個(gè)人貸款（“否”、“是”、“未知”）contactstring交流方式（分類：“移動(dòng)電話”、“固定電話”）monthstring最后一個(gè)聯(lián)系月份（分類：“jan”，“feb”，“mar”，…，“nov”，“dec”）day_of_weekstring最后聯(lián)系的星期數(shù)（分類：“mon”，“tue”，“wed”，“thu”，“fri”）durationint距離上次聯(lián)系的時(shí)間間隔（s）campaignint活動(dòng)期間與該客戶的聯(lián)系的次數(shù)pdaysint距離上次聯(lián)系的時(shí)間間隔（天）（999：表示從未聯(lián)系）previousint活動(dòng)之前與該客戶的聯(lián)系次數(shù)poutcomestring前一次的營(yíng)銷結(jié)果（分類：“失敗”，“不存在”，“成功”）emp_var_ratedouble就業(yè)變化率－季度指標(biāo)cons_price_idxdouble消費(fèi)者價(jià)格指數(shù)－月度指標(biāo)cons_conf_idxdouble消費(fèi)者信心指數(shù)－月度指數(shù)euribor3mdouble歐元同業(yè)拆借利率3個(gè)月利率－每日指標(biāo)nr_employeddouble職工人數(shù)－季度指標(biāo)ystring預(yù)測(cè)客戶是否會(huì)訂購(gòu)定期存款業(yè)務(wù)2.篩選特征變量計(jì)算各變量同本案例的目標(biāo)變量yindex間的相關(guān)性，選取相關(guān)系數(shù)絕對(duì)值大于等于0.25的變量作為特征，包括duration、pdays、previous、empvar_rate、euribor3m、nr_employed和poutcome等7個(gè)特征變量。3.建立客戶購(gòu)買預(yù)測(cè)模型對(duì)數(shù)據(jù)進(jìn)行相關(guān)性分析后，需要從數(shù)據(jù)集中選取有用的特征用于客戶識(shí)別預(yù)測(cè)的訓(xùn)練。其中，標(biāo)簽列必選。需要說(shuō)明的是，標(biāo)簽列的選擇對(duì)于訓(xùn)練模型有著重要意義，模型通過(guò)已有標(biāo)簽來(lái)學(xué)習(xí)特征因子是如何影響標(biāo)簽的選擇。換言之，標(biāo)簽選擇的準(zhǔn)確性直接影響最終模型的預(yù)測(cè)結(jié)果。本案例是根據(jù)銀行的客戶數(shù)據(jù)建立模型，并用其來(lái)判斷客戶是否認(rèn)購(gòu)銀行新的定期存款業(yè)務(wù)，故選擇“邏輯回歸”算法作為數(shù)據(jù)分析方法。4.準(zhǔn)客戶識(shí)別基于以上模型，利用預(yù)測(cè)集數(shù)據(jù)幫助銀行判斷新客戶是否為準(zhǔn)客戶。預(yù)測(cè)結(jié)果為0，說(shuō)明客戶不會(huì)訂購(gòu)新的定期存款業(yè)務(wù)，預(yù)測(cè)結(jié)果為1，說(shuō)明客戶會(huì)訂購(gòu)新的定期存款業(yè)務(wù)。根據(jù)此預(yù)測(cè)結(jié)果，銀行可以有針對(duì)性地通過(guò)電話和短信向預(yù)測(cè)結(jié)果為1的客戶推銷其新的定期存款業(yè)務(wù)，提高營(yíng)銷效率，降低營(yíng)銷成本?；赗FM分析法的客戶分類一、RFM模型1.RFM模型原理介紹RFM模型，是企業(yè)根據(jù)最近一次交易時(shí)間與當(dāng)前的時(shí)間間隔（Recency）、一定時(shí)間內(nèi)的購(gòu)買頻次（Frequency）和購(gòu)買金額（Monetary）來(lái)判斷顧客對(duì)企業(yè)的價(jià)值貢獻(xiàn)度并將其劃分為不同類別的數(shù)據(jù)分析方法。RFM模型的名稱是根據(jù)上述三個(gè)維度的英文首字母縮寫(xiě)而來(lái)的。具體來(lái)說(shuō)，三個(gè)指標(biāo)的含義如下：①最近一次交易的時(shí)間（Recency），也稱近度，指客戶最近一次交易距離現(xiàn)在的時(shí)間，它是判斷顧客活躍度的指標(biāo)，即顧客最近一次到店交易的時(shí)間與當(dāng)前時(shí)間的間隔越短，意味著顧客越活躍度；②購(gòu)買頻率（Frequency），也稱頻度，指顧客在一定時(shí)間段內(nèi)的消費(fèi)頻率或次數(shù)，顧客在一定時(shí)間段內(nèi)到店發(fā)生購(gòu)買行為的次數(shù)越多，那么該顧客對(duì)特定企業(yè)的忠誠(chéng)度就越高；③購(gòu)買金額（Monetary），也稱值度，指顧客在一定時(shí)間段內(nèi)到店消費(fèi)的總金額，它是企業(yè)判斷顧客購(gòu)買能力的指標(biāo)，即顧客在特定時(shí)間段內(nèi)的消費(fèi)總金額越高，購(gòu)買能力就越強(qiáng)。基于以上三個(gè)指標(biāo)，利用RFM模型進(jìn)行客戶分級(jí)是建立在三個(gè)假設(shè)基礎(chǔ)上的：①與最近沒(méi)有購(gòu)買經(jīng)歷的顧客相比，最近有消費(fèi)經(jīng)歷的顧客發(fā)生重復(fù)購(gòu)買行為的可能性更高；②與購(gòu)買次數(shù)較少的顧客相比，在一定時(shí)間段內(nèi)購(gòu)買次數(shù)更多的顧客發(fā)生重復(fù)購(gòu)買行為的概率更高；③與消費(fèi)總金額較少的顧客相比，總消費(fèi)金額更高的顧客發(fā)生再次購(gòu)買行為的概率更高。2.基于RFM模型的客戶分類基于不同的公司、不同的業(yè)務(wù)場(chǎng)景，其客戶分類類別并不是唯一和固定不變的。不同的劃分方式，會(huì)產(chǎn)生不同的分類結(jié)果，以下介紹兩種常見(jiàn)的客戶分類。第一種是五等分模型，這種劃分方式具體地分析流程如下：=1\*GB3①查詢近一年時(shí)間內(nèi)（以查詢時(shí)間向前推一年計(jì)算）所有VIP客戶的最近一次購(gòu)買時(shí)間；=2\*GB3②按離查詢時(shí)間的遠(yuǎn)近將所有客戶分成五等分，即將距離查詢時(shí)間最近的前20%的客戶標(biāo)記為5，之后的21%~40%的客戶標(biāo)記為4，然后以此類推；=3\*GB3③查詢一年內(nèi)所有VIP客戶的購(gòu)買次數(shù)及消費(fèi)金額，用同樣的方法劃出5個(gè)等次，并進(jìn)行相應(yīng)的標(biāo)記；=4\*GB3④將R、F、M三個(gè)指標(biāo)與單個(gè)客戶一一對(duì)應(yīng)，最終每個(gè)客戶將出現(xiàn)一個(gè)由三個(gè)數(shù)字組成的數(shù)組；=5\*GB3⑤將每個(gè)顧客對(duì)應(yīng)的三位數(shù)相加，作為顧客價(jià)值的得分，進(jìn)行標(biāo)記。最終將得到一個(gè)總分值，不同分值對(duì)應(yīng)客戶的類型。第二種是均值模型，這種方式是基于RFM模型將所有客戶的每個(gè)指標(biāo)的平均值與每個(gè)客戶的三個(gè)指標(biāo)的實(shí)際觀察值分別進(jìn)行比較。如果對(duì)應(yīng)字段的值小于均值，則權(quán)值為0，否則為1。最終可將客戶按價(jià)值劃分為八種不同的類型，包括高價(jià)值客戶、重點(diǎn)保持客戶、重點(diǎn)發(fā)展客戶、重點(diǎn)挽留客戶、一般價(jià)值客戶、一般保持客戶、一般發(fā)展客戶、潛在客戶。二、客戶分類實(shí)操分析將有限的營(yíng)銷資源科學(xué)、合理地分配給不同客戶群體，是增強(qiáng)客戶體驗(yàn)，提高經(jīng)營(yíng)績(jī)效的重要手段。而基于客戶消費(fèi)大數(shù)據(jù)對(duì)企業(yè)價(jià)值貢獻(xiàn)程度的不同進(jìn)行客戶分級(jí)，是企業(yè)營(yíng)銷資源合理配置的前提和依據(jù)。本案例以某商業(yè)銀行的客戶消費(fèi)大數(shù)據(jù)為基礎(chǔ)，按照其價(jià)值貢獻(xiàn)程度差異，劃分客戶類別，為銀行更好地滿足客戶需求提供依據(jù)。1.數(shù)據(jù)源介紹字段名數(shù)據(jù)類型訂單編號(hào)文本買家會(huì)員名文本買家支付寶賬號(hào)文本買家應(yīng)付郵費(fèi)整型買家支付積分整型總金額整型訂單狀態(tài)文本收貨人姓名文本收貨地址文本運(yùn)送方式文本聯(lián)系手機(jī)文本訂單創(chuàng)建時(shí)間日期時(shí)間訂單付款時(shí)間日期時(shí)間2.基于RFM模型進(jìn)行客戶分類在RFM模型中需要用到的三項(xiàng)指標(biāo)分別為最近一次消費(fèi)時(shí)間與現(xiàn)在的距離、消費(fèi)頻率和消費(fèi)總金額。其中，最近一次消費(fèi)間隔，可通過(guò)“訂單付款時(shí)間”和采集時(shí)間進(jìn)行簡(jiǎn)單計(jì)算得到該生成列；消費(fèi)頻率可通過(guò)統(tǒng)計(jì)“買家會(huì)員名”重復(fù)出現(xiàn)的次數(shù)來(lái)獲得；消費(fèi)總金額可以通過(guò)將數(shù)據(jù)源中的“總金額”字段進(jìn)行匯總計(jì)算獲得。完成三項(xiàng)指標(biāo)的聚合配置后，運(yùn)用RFM模型進(jìn)行客戶分類。劃分結(jié)果生成兩個(gè)標(biāo)簽binaryRFMClass和RFMClass。RFM模型將每位客戶的三個(gè)指標(biāo)與相應(yīng)指標(biāo)的均值進(jìn)行比較，若對(duì)應(yīng)字段取值小于均值時(shí)，權(quán)值取0，否則取1。RFMClass為binaryRFMClass根據(jù)二進(jìn)制取值轉(zhuǎn)換成十進(jìn)制取值。最后對(duì)預(yù)測(cè)結(jié)果進(jìn)行聚合，統(tǒng)計(jì)個(gè)類別客戶數(shù)量。三、差異化營(yíng)銷策略按照所劃分的客戶價(jià)值類型，結(jié)合基于RFM模型分析的客戶價(jià)值分類結(jié)果，可為不同價(jià)值的客戶制定不同的營(yíng)銷策略。1.高價(jià)值客戶（011）這類客戶是具有高交易金額、高交易頻率和近期交易行為特征的客戶群體，占銀行所有持卡消費(fèi)客戶的1.8%，數(shù)量雖然較少，但卻是對(duì)銀行貢獻(xiàn)最多、價(jià)值最高的客戶，是銀行的核心客戶群體?？紤]到他們可以因得到銀行的VIP服務(wù)和個(gè)性化服務(wù)而獲得認(rèn)同感，因此，該銀行應(yīng)為其提供專屬的休息室、配備專門的客戶經(jīng)理等VIP服務(wù)。2.重點(diǎn)保持客戶（111）該類客戶經(jīng)常使用銀行卡進(jìn)行大量消費(fèi)，但最近他們沒(méi)有交易行為，其占銀行所有持卡消費(fèi)客戶的0.7%。這類客戶貢獻(xiàn)良多，且近期無(wú)流失的風(fēng)險(xiǎn)，可以通過(guò)回訪持卡人，找出沒(méi)有持卡消費(fèi)的原因，并保持與其持續(xù)互動(dòng)，詢問(wèn)其對(duì)銀行卡消費(fèi)過(guò)程的不滿之處，努力改進(jìn)，同時(shí)提供交易優(yōu)惠來(lái)其持卡消費(fèi)行為。3.重點(diǎn)發(fā)展客戶（001）該類客戶是銀行的近期客戶，最近有消費(fèi)行為，消費(fèi)金額高，但消費(fèi)頻率不高。該銀行的此類客戶占所有持卡消費(fèi)客戶的比例為6.6%。此類客戶對(duì)該銀行的銀行卡消費(fèi)貢獻(xiàn)度較大，但忠誠(chéng)度不足。該銀行應(yīng)制定忠誠(chéng)度