营销与销售的区别一句话（营销与销售的区别普通回答）

用户投稿 • 2022年7月31日 11:09 • 网络资讯 • 阅读 749

#用扇贝编程，既高效又有趣

随着互联网新技术的不断发展，人工智能技术正改变着传统的销售岗位。

提到销售，大家脑海里总能想起他们不断接打电话，接触拜访客户的样子。

而每一位职业销售在通往高薪的路上，背后都是不断拓展客户的苦与泪。

尤其是销售员在探寻客户的路上，同时还要兼顾统计营业额，统计各产品销量，绘制图表，以便调整销售策略。

如此多的工作仅凭人工从有限的时间里很难完成。

因此，大部分销售员都长时间处于加班的状态。

为了大幅降低销售人员日常的工作压力，

如何洞悉市场规律，与竞争对手比较分析产品优势，分析客户需求，更精准地抓住客户人群，成为了销售工作重要的一部分。

而互联网新技术的演进，让销售可以利用python来完成一些重复性较高的工作，用更多的时间来提高企业的销售效率和销售业绩。

今天向大家介绍的RFM模型是衡量客户价值和客户创利能力的重要工具和手段。

而且RFM模型不难，是一个人人都可以上手的模型，

运用范围很广泛，运营、销售、市场等都可以在工作中使用到。

在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。

该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱这3项指标来描述该客户的价值状况。

通过这样的划分，RFM模型能够帮助我们评估客户已有价值和用户潜在价值，从而能够更准确地将成本和精力花在更精确的用户层次身上。

R（Recency）：最近一次消费与上一次消费的时间差，R值越大，说明用户上一次交易的时间越久远，也证实了用户与产品亲密度的下降。

F（Frequency）：消费频率，可以理解为某一时间段内的消费次数，具体的时间段需要依据产品特性而定，F值越大，说明用户活跃度越高，是个正向反馈。

M（Monetary）：消费金额，用户在某一时间段内的消费总金额，M值越大，说明用户带来的价值越大。

基于以上RFM的值，我们简单地按照大小高低来划分，可以分为8类用户群体。

建立RFM模型的主要思路一般分为

1.清洗数据

2.提取指标数据

3.设立RFM指标并进行计算

4.绘制饼状图展示结果

这里为大家展示一下代码，大家可以根据代码自己试着建立rfm模型。

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
#读取文件
data= pd.read_csv('./dataset.csv')
data.head()#查看数据
#清洗数据
data['ShipDate'] = pd.to_datetime(data['ShipDate'])#将类型转换为时间
data['OrderDate'] = pd.to_datetime(data['OrderDate'])
data.drop(index=data[data['ShipDate']<data['OrderDate']].index, inplace=True)#删去发货时间早于订单时间，即错误数据
data.drop(index=data[data.RowID.duplicated()].index, inplace=True)#删去重复数据
data['ShipMode'].fillna(value=data.ShipMode.mode()[0], inplace=True)#填充空值


#分别取出订单日期的年、月、季
data['Order-year'] = data ['OrderDate'].dt.year
data ['Order-month'] = data ['OrderDate'].dt.month
data ['quarter'] = data ['OrderDate'].dt.to_period('Q')


# 设置字体
mpl.rcParams['font.sans-serif'] = ['SimHei']#避免中文乱码


#RFM
# 取出订单日期为2014年的数据
data_14 = data[data['Order-year'] == 2014]
data_14 = data_14[['CustomerID', 'OrderDate', 'Sales']]
# 重新复制给customdf
customdf = data_14.copy()
customdf.set_index('CustomerID', drop=True, inplace=True)
customdf['orders'] = 1
# rfm透视图
rfmdf = customdf.pivot_table(index=['CustomerID'],
                             values=['OrderDate', 'orders', 'Sales'],
                             aggfunc={'OrderDate': 'max',
                                      'orders': 'sum',
                                      'Sales': 'sum'})


rfmdf['R'] = (rfmdf.OrderDate.max() - rfmdf.OrderDate).dt.days


rfmdf.rename(columns={'Sales': 'M', 'orders': 'F'}, inplace=True)


def show(df):
    return df - df.mean()
result1 = rfmdf[['R', 'F', 'M']].apply(lambda x: x - x.mean())
def rfm_func(x):
    level = x.apply(lambda x: "1" if x >= 0 else '0')#判断RFM值
    label = level.R + level.F + level.M#拼接结果
    d = {
        '011': '重要价值客户',
        '111': '重要唤回客户',
        '001': '重要深耕客户',
        '101': '重要挽留客户',
        '010': '潜力客户',
        '110': '一般维持客户',
        '000': '新客户',
        '100': '流失客户'
    }
    result = d[label]
    return result
result1 = rfmdf[['R', 'F', 'M']].apply(lambda x: x - x.mean())
result2 = result1.apply(rfm_func, axis=1)
rfmdf['lables'] = result2
rfmdf['lables'].value_counts().plot(kind='pie',title = 'RFM分析')
plt.show()

在建立好RFM模型后，大家就可以对用户进行分层，

从而对用户价值有个更直观的感受，进一步分析客户的价值，采取应对的策略提高销售业绩。

﹀

以上就是这周的干货分享，如果想继续看干货，

还想让大佬们输出更多技巧

赶快关[飞吻]注并转[求抱抱]发我们吧。

点击“关[飞吻]注”，即可第一时间阅读每周干货哦！

本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至 sumchina520@foxmail.com 举报，一经查实，本站将立刻删除。
如若转载，请注明出处：https://www.sumedu.com/faq/218302.html

营销与销售的区别一句话（营销与销售的区别普通回答）

建立RFM模型的主要思路一般分为

相关推荐