使用数据分析细分用户：RFM分析，他们都是产品经理

通过RFM，我们根据用户属性的数据分析对用户进行分类。
通过推送，转换和许多其他流程可以是最准确的技术，用户不会看到违规的场景，最重要的是，产品的商业价值，如转换，也是一个很大的帮助。
申请资金：
在产品迭代过程中，通常基于用户属性对用户进行分类，即，通过分析数据，用户被分类以在推送和转换过程中获得更大的益处。
分析方法：
RFM分析（新闻，频率，金钱）
分析工具
SPSS（重型数据分析应用程序，用SAS选择一个）
一
RFM的基本概念
所谓的探索性分析主要使用几种分析方法从大量数据中发现未知和有价值的信息。
最常用的探索性分析方法包括RFM分析，聚合物分析，因子分析和对应分析。
RFM的含义：
R（最新）：客户最后交易时间之间的间隔。
R的值越高，客户交易发生的日期越长，越接近。
F（频率）：客户在上一期间交易的次数。
F的值越高，客户的交易就越频繁。相反，客户端交易并非完全活跃。
M（金额）：客户在最近一段时间内交易的金额。
M值越高，客户价值越高，客户价值越低。
RFM分析是一种根据客户活动和交易价值贡献细分客户价值的方法。
RS：根据最新交易日期得分。越接近当前日期，得分越高。
例如，5分制。
FS：根据交易频率得分。交易越频繁，得分越高。
与5点系统相同。
MS：根据交易金额计算得分。交易金额越高，得分越高。
与5点系统相同。
总RFM得分：RFM = RS * 100 + FS * 10 + MS * 1
RFM分析的主要作用
确定优质客户
您可以指定自定义的通信和营销服务，以可靠地支持更多营销决策。
能够衡量客户价值和盈利能力。
RFM前提
考虑交易的可能性。
最近交易的客户最近没有交易
交易频率高的客户交易频率低
交易金额高的客户交易金额较低
第二
分析实践
RFM接受两种数据格式。
交易数据：每个交易占一行，主要变量是客户识别，交易时间和交易金额。
客户数据：每笔交易占一排。关键变量是客户的识别，交易的总价值，最近交易的日期以及交易总数。
分析通常使用事务数据的格式。
交易数据可以组织成客户数据，这些数据无法恢复到交易数据。
事务数据字段可用于检索客户端数据字段，反之亦然。