fnvtk/cunkebao_v3
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
develop
cunkebao_v3/Server/RFM客户价值评分体系技术实施文档.md

249 lines
11 KiB
Markdown
Raw Permalink Normal View History

代码提交
2025-11-07 15:25:50 +08:00
# RFM 客户价值评分体系技术实施文档
## 1. 文档目的
本文档旨在明确 RFM（Recency-Frequency-Monetary）客户价值评分体系的技术实现标准，包括维度定义、评分规则、数据处理流程、参数配置及异常处理方案，为系统开发、数据分析及业务应用提供统一依据。
## 2. 核心术语定义
| 术语 | 英文缩写 | 定义 | 数据来源 | 统计周期说明 |
| ------ | ------------ | ------------------------------- | --------- | ---------------------------------- |
| 最近消费时间 | Recency（R） | 客户最后一次有效消费行为距统计截止日的时间间隔（单位：天） | 订单系统、交易日志 | 支持自定义配置（默认 3-12 个月，按业务场景调整） |
| 消费频率 | Frequency（F） | 统计周期内客户发生有效消费行为的总次数 | 订单系统、交易日志 | 与 R 维度统计周期一致，剔除重复下单、取消订单等无效记录 |
| 消费金额 | Monetary（M） | 统计周期内客户有效消费行为的总金额（单位：元，支持多币种换算） | 订单系统、支付日志 | 仅统计已支付完成的订单金额，剔除退款、优惠抵扣部分 |
| RFM 总分 | RFM Score | 基于 R、F、M 三个维度的分项得分，按预设权重计算的综合得分 | 系统计算生成 | 得分范围 1-15 分（5 分制单项）或 1-100 分（标准化后） |
## 3. 评分规则技术规范
### 3.1 分项评分规则（默认 5 分制）
#### 3.1.1 Recency（R）评分规则
* 核心逻辑：时间间隔越短，得分越高（反向映射）
* 分段标准：采用**五分位法**（按数据分布自动划分区间，避免均分失真）
| 得分 | 时间间隔区间（天） | 划分逻辑 |
| --- | ---------- | ----------------- |
| 5 分 | \[0, T1] | 统计周期内最近消费的 20% 客户 |
| 4 分 | (T1, T2] | 统计周期内次近消费的 20% 客户 |
| 3 分 | (T2, T3] | 统计周期内中间消费的 20% 客户 |
| 2 分 | (T3, T4] | 统计周期内较久消费的 20% 客户 |
| 1 分 | (T4, Tmax] | 统计周期内最久消费的 20% 客户 |
* 区间计算方式：T1=PERCENTILE\_CONT (0.2)、T2=PERCENTILE\_CONT (0.4)、T3=PERCENTILE\_CONT (0.6)、T4=PERCENTILE\_CONT (0.8)，其中 Tmax 为统计周期总天数
#### 3.1.2 Frequency（F）评分规则
* 核心逻辑：消费次数越多，得分越高（正向映射）
* 分段标准：采用**五分位法**（支持最小消费次数阈值配置）
| 得分 | 消费次数区间 | 划分逻辑 |
| --- | ----------- | ------------------- |
| 5 分 | \[F4, +∞) | 统计周期内消费次数最多的 20% 客户 |
| 4 分 | \[F3, F4) | 统计周期内消费次数次多的 20% 客户 |
| 3 分 | \[F2, F3) | 统计周期内消费次数中间的 20% 客户 |
| 2 分 | \[F1, F2) | 统计周期内消费次数较少的 20% 客户 |
| 1 分 | \[Fmin, F1) | 统计周期内消费次数最少的 20% 客户 |
* 区间计算方式：F1=PERCENTILE\_CONT (0.2)、F2=PERCENTILE\_CONT (0.4)、F3=PERCENTILE\_CONT (0.6)、F4=PERCENTILE\_CONT (0.8)，其中 Fmin 为 1（仅统计有效消费次数≥1 的客户）
#### 3.1.3 Monetary（M）评分规则
* 核心逻辑：消费金额越高，得分越高（正向映射）
* 分段标准：采用**五分位法**（支持剔除大额异常值后划分）
| 得分 | 消费金额区间（元） | 划分逻辑 |
| --- | ----------- | ------------------- |
| 5 分 | \[M4, +∞) | 统计周期内消费金额最高的 20% 客户 |
| 4 分 | \[M3, M4) | 统计周期内消费金额次高的 20% 客户 |
| 3 分 | \[M2, M3) | 统计周期内消费金额中间的 20% 客户 |
| 2 分 | \[M1, M2) | 统计周期内消费金额较低的 20% 客户 |
| 1 分 | \[Mmin, M1) | 统计周期内消费金额最低的 20% 客户 |
* 区间计算方式：M1=PERCENTILE\_CONT (0.2)、M2=PERCENTILE\_CONT (0.4)、M3=PERCENTILE\_CONT (0.6)、M4=PERCENTILE\_CONT (0.8)，其中 Mmin 为统计周期内最小有效订单金额
### 3.2 总分计算规则
#### 3.2.1 加权求和公式
$RFM_{Score} = R_{Score} \times W_R + F_{Score} \times W_F + M_{Score} \times W_M$
* 权重配置：支持自定义（默认配置：$W_R=0.4$，$W_F=0.3$，$W_M=0.3$）
* 权重约束：$W_R + W_F + W_M = 1.0$，且单个权重取值范围为 \[0.1, 0.8]
#### 3.2.2 得分标准化（可选）
* 若需将总分映射为 1-100 分，采用线性标准化公式：
$RFM_{StandardScore} = \frac{RFM_{Score} - RFM_{Min}}{RFM_{Max} - RFM_{Min}} \times 99 + 1$
* 其中：$RFM_{Min}=W_R \times 1 + W_F \times 1 + W_M \times 1$，$RFM_{Max}=W_R \times 5 + W_F \times 5 + W_M \times 5$
## 4. 数据处理流程
### 4.1 数据输入要求
| 数据项 | 数据类型 | 格式要求 | 校验规则 |
| ------ | ------------- | ------------------- | ------------ |
| 客户唯一标识 | String/Int | 全局唯一（如用户 ID、会员 ID） | 非空、去重 |
| 订单唯一标识 | String/Int | 全局唯一（如订单号） | 非空、去重 |
| 消费时间 | DateTime | yyyy-MM-dd HH:mm:ss | 需在统计周期内 |
| 消费金额 | Decimal(18,2) | 大于 0 | 剔除负数、0 值 |
| 订单状态 | String | 枚举值（已支付、已取消、已退款等） | 仅保留 “已支付” 状态 |
### 4.2 数据预处理步骤
1. **数据过滤**：
* 剔除统计周期外的订单数据
* 剔除订单状态为 “已取消”“已退款”“无效” 的记录
* 剔除员工内部订单、测试订单（按订单标签或用户标签过滤）
* 剔除单笔金额超过$M_{99分位值} \times 3$的异常大额订单（可配置开关）
1. **数据聚合**：
* 按客户唯一标识分组，计算 R、F、M 原始指标：
* R：MAX (消费时间) 到统计截止日的时间间隔（天）
* F：COUNT (DISTINCT 订单唯一标识)
* M：SUM (消费金额)
1. **缺失值处理**：
* 统计周期内无消费记录的客户：R = 统计周期总天数，F=0，M=0，分项得分均为 1 分
* 单个指标缺失（如仅缺失 M）：按 1 分计分项得分
### 4.3 评分计算流程
```mermaid
graph TD
A[数据输入] --> B[数据过滤]
B --> C[数据聚合计算R/F/M原始值]
C --> D[缺失值处理]
D --> E[按五分位法划分各维度区间]
E --> F[计算R/F/M分项得分]
F --> G[按权重计算RFM总分]
G --> H[可选：标准化为1-100分]
H --> I[输出客户RFM评分结果]
```
## 5. 参数配置说明
| 参数名称 | 配置项 | 取值范围 | 默认值 | 配置方式 |
| ------- | ---------------------- | ------------- | ------ | --------------- |
| 统计周期 | cycle\_days | 30-365 | 180 | 系统配置页手动输入 |
| R 维度权重 | weight\_R | 0.1-0.8 | 0.4 | 系统配置页滑动条调整 |
| F 维度权重 | weight\_F | 0.1-0.8 | 0.3 | 系统配置页滑动条调整 |
| M 维度权重 | weight\_M | 0.1-0.8 | 0.3 | 系统配置页滑动条调整 |
| 异常金额阈值 | abnormal\_money\_ratio | 1.5-5.0 | 3.0 | 系统配置页手动输入（倍数关系） |
| 评分分制 | score\_scale | 5 分制 / 100 分制 | 5 分制 | 系统配置页单选 |
| 缺失值处理策略 | missing\_strategy | 按 1 分计 / 剔除客户 | 按 1 分计 | 系统配置页单选 |
## 6. 异常处理方案
### 6.1 数据异常
| 异常类型 | 表现形式 | 处理逻辑 | 影响范围 |
| ------ | ------------------------------ | ---------------------- | --------------- |
| 重复订单 | 同一客户同一时间相同订单号 | 去重保留 1 条有效记录 | 不影响 F、M 计算 |
| 大额异常订单 | 单笔金额 > $M_{99分位值} \times 异常阈值$ | 自动标记，可选择剔除或保留 | 仅影响 M 维度区间划分 |
| 消费时间异常 | 消费时间晚于统计截止日 | 视为无效数据，剔除 | 不影响最终结果 |
| 客户标识重复 | 同一客户多个唯一标识 | 按客户合并规则（如手机号、身份证号关联）聚合 | 需提前完成客户统一 ID 映射 |
### 6.2 计算异常
| 异常类型 | 触发条件 | 处理逻辑 | 输出结果 |
| -------- | --------------------- | --------------------------------------- | --------------- |
| 维度区间为空 | 某维度所有客户数据相同（如 F 均为 1） | 强制均分 5 个区间 | 分项得分按 1-5 分依次分配 |
| 权重总和不为 1 | 配置权重时计算错误 | 系统自动归一化处理（$W'_X = W_X / (W_R+W_F+W_M)$） | 不影响总分有效性 |
| 统计周期过短 | 小于 30 天导致数据量不足 | 系统给出警告，允许强制执行 | 区间划分可能失真，建议延长周期 |
## 7. 输出结果格式
### 7.1 单客户评分结果
| 字段名 | 数据类型 | 示例 |
| --------- | ------------- | ----------------------- |
| 客户 ID | String | CUST2023001 |
| R 原始值（天） | Int | 15 |
| R 得分 | Int | 5 |
| F 原始值（次） | Int | 8 |
| F 得分 | Int | 4 |
| M 原始值（元） | Decimal(18,2) | 2560.00 |
| M 得分 | Int | 5 |
| RFM 总分 | Decimal(5,2) | 4.70 |
| 标准化得分（可选） | Int | 94 |
| 统计周期 | String | 2023-01-01 至 2023-06-30 |
| 计算时间 | DateTime | 2023-07-01 00:30:25 |
### 7.2 批量输出文件格式
* 支持 CSV、Parquet、JSON 格式导出
* 编码格式：UTF-8
* 压缩方式：默认 GZIP（可配置关闭）
## 8. 业务适配建议
| 业务场景 | 统计周期建议 | 权重调整建议 | 特殊配置 |
| --------------- | ------- | --------------------------- | ----------------- |
| 快消零售 | 3-6 个月 | $W_R=0.5, W_F=0.3, W_M=0.2$ | 提高 R 维度权重，关注复购及时性 |
| 高客单价行业（如奢侈品、家居） | 12 个月 | $W_R=0.3, W_F=0.2, W_M=0.5$ | 提高 M 维度权重，关注消费能力 |
| 新品推广期 | 1-3 个月 | $W_R=0.6, W_F=0.2, W_M=0.2$ | 重点关注近期新客户 |
| 会员体系运营 | 6-12 个月 | $W_R=0.4, W_F=0.4, W_M=0.2$ | 提高 F 维度权重，鼓励高频消费 |
> （注：文档部分内容可能由 AI 生成）
Reference in New Issue Copy Permalink