一、目的 1、根据还款未复贷老户的借贷数据，对老户进行群体分类； 2、对不同的客户群体进行特征分析，以便于定向营销。 二、分析过程 1、分析思路 数据包含了2018年4月13日至2020年4月9日期间的客户数据，共有22014条记录。在RFM模型的基础上，增加了注册使用App天数这一指标用于客户分群与价值分析，得到本次的LRFM模型，变量解释如下： L：注册使用APP天数。客户注册日期至观测结束日期的间隔。 R：距今还款未复贷天数。客户最近的成功还款日期至观测结束日期的间隔。 F：借款成功次数。观测时间内客户借款成功次数。 M：借款成功总金额。观测时间内客户借款成功总金额。 2、数据提取及处理

经过整理的航空公司客户价值分析代码与数据集，编程语言为Python。代码涉及到数据预处理与建模的各阶段。建模算法采用的是KMeans算法。

用于分析的应用场景:主要体现用户的价值和营销的模式

客户细分 CRM之RFM模型英文介绍, 根据客户最近购买时间，购买频率，购买金额来判断客户价值

用户群体细分（RFM模型）-附件资源

为了方便大家学习RFM模型,我做RFM模型的时候发现网上电商用户行为数据都是原始数据,还要进行很麻烦的数据清洗才能使用,所以我上传处理后的数据方便大家学习

对因素分解和RFM分析方法的框架介绍

最近正好刚帮某电信行业完成一个数据挖掘工作，其中的RFM模型还是有一定代表性，就再把数据挖掘RFM模型的建模思路细节与大家分享一下吧!手机充值业务是一项主要电信业务形式，客户的充值行为记录正好满足RFM模型的交易数据要求。根据美国数据库营销研究所ArthurHughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。我早期两篇博文已详述了RFM思想和IBMModeler操作过程，有兴趣的朋友可以阅读!RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Fre

做RFM分析的时候要知道RFM分析的数据格式有两种： 　　一种是交易数据，也就是每次交易占用一行，关键变量是客户ID、交易日期和交易金额； 　　另一种是客户数据，就是每个客户占用一行，关键变量是客户ID、交易金额、交易次数和最近交易日期。 为了保证数据的准确性，建议采用交易数据格式进行分析，实际上交易数据是可以整理成为客户数据的，而客户数据是无法还原为交易数据的

基于RFM模型实现的零售精准营销响应预测系统数据：Retail_Data_Response.csv：customer_id,response Retail_Data_Transactions.csv：customer_id,trans_date,tran_amount