基于RFM模型的人才卡用户乘车行为分析数据

采集人才卡用户的乘坐公交车消费行为数据，通过这些数据，能够执行精细化的客户关系管理。根据客户的最近一次消费时间间隔(R)、最近一段时间内消费频次(F)和最近一段时间内消费金额(M)，采用RFM模型对进行价值评级，从而识别出高价值客户和核心客户。针对不同价值类型的客户提供个性化服务，比如为高价值客户提供VIP服务或积分奖励，提升忠诚度；针对基础客户，结合天气、节假日推送优惠券或单次折扣，刺激重新乘车；对核心客户设计阶梯式优惠，逐步提升消费黏性。1、数据采集：采集2025年4月人才卡用户的乘坐公交车消费行为数据：行程号、云卡号、线路好、线路名、上车时间等字段；2、数据处理：对采集到的数据进行清洗、分类汇总，对行程号、云卡号、手机号进行匿名化处理；3、数据加工：从原始数据中提取出最近一次消费时间（R）、最近一段时间消费频次(F)、最近一段时间消费金额(M)（最近一段时间指2025年4月期间），根据RFM模型计分法对用户进行分层管理，RFM计分规则如下：30≤R<35为5分，35≤R<45 为4分，45≤R<50为3分，50≤R<60 为2分，60<R 为1分；0≤M≤50 为1分，50<M≤100 为2分，100<M≤200 为3分，200<M≤300为 4分，300<M 为5分；0≤F≤30 为1分，30<F≤70 为2分，70<F≤100 为3分，100<F≤150 为4分，150<F为5分；计算每条数据的RFM综合得分X，根据公司要求对客户进行分层，1≤X≤5 为基础客户，5<X≤10 为核心客户，10<X 为高价值客户；；4、数据应用：采用RFM模型对进行价值评级，从而识别出高价值客户和核心客户、基础客户。

搜集汇总

背景与挑战

背景概述

该数据集包含3302条人才卡用户乘车行为记录，每日更新，采用RFM模型对用户进行价值评级，旨在实现精细化客户关系管理。数据集涵盖行程号、消费金额、消费频次等关键字段，通过匿名化处理保护用户隐私，适用于交通运输行业的客户分层和服务优化场景。