03
2023-11
数分狗必知必会系列 | 模型篇：为什么说SWOT和RFM其实是一个模型
法律篇完结了，接下来是模型篇的内容~
LEARN MORE
图片由通义万相绘制
关于系列
《数分狗必知必会》系列是一个简单介绍数分之外的领域的知识的小科普的系列。目前财务篇、人力资源篇、法律篇已经完结，有兴趣的朋友们可以点击合集按钮查看之前的内容。
此外，也可以在文章的最后通过前一篇/后一篇查看连续的其他内容。
对这个话题的后续内容有兴趣的朋友们可以关注一下，这个系列预计每周五更新。
SWOT模型是什么
SWOT分析模型是一种常用的战略管理工具，用于评估一个组织或项目的优势、劣势、机会和威胁。它将内部和外部因素结合起来，帮助确定战略方向和决策。
SWOT分析模型的四个要素是：
Strengths（优势）：组织或项目的内部优势和核心竞争力，例如独特的技术、专业知识、强大的品牌形象等。
Weaknesses（劣势）：组织或项目的内部劣势和限制，例如缺乏资源、技术落后、不足的市场份额等。
Opportunities（机会）：外部环境中的潜在机会，可以利用组织或项目的优势来获得增长和发展的机会。
Threats（威胁）：外部环境中的潜在威胁，可能对组织或项目的发展和竞争力产生负面影响。
通过对这四个要素进行分析和评估，可以制定出相应的战略计划，并优化组织或项目的运营。
实际上，很多时候，当我们提到SWOT模型，都会附带着提到这么一张图：
模型本身的解读就不在这里讲了，如果有兴趣的小伙伴比较多，可以单开一篇详细讲讲这个模型。
RFM模型是什么
RFM模型是一种用于客户细分和分析的常用方法，它基于三个指标：最近一次购买时间（Recency）、购买频率（Frequency）和购买金额（Monetary）。RFM模型通过分析这些指标，将客户分为不同的细分群体，以便进行个性化的营销和客户管理。
在RFM模型中，每个指标都被分为几个等级，通常是从1到5或从1到10。较高的等级表示较好的表现。然后，通过将三个指标的等级组合起来，可以得到一个RFM代码，用于描述每个客户的特征。
这个模型在互联网电商领域相当知名，知名到chatgpt都可以直接给出模型的代码的程度（反正看到了，随手copy过来，有需要的朋友们直接拿走）：
代码语言：javascript复制import pandas as pd
# 读取数据
data = pd.read_csv('customer_data.csv')
# 计算Recency
data['Recency'] = pd.to_datetime('2022-01-01') - pd.to_datetime(data['最近一次购买时间'])
data['Recency'] = data['Recency'].dt.days
# 计算Frequency
frequency = data.groupby('客户ID')['购买时间'].count().reset_index()
frequency.columns = ['客户ID', 'Frequency']
data = pd.merge(data, frequency, on='客户ID')
# 计算Monetary
monetary = data.groupby('客户ID')['购买金额'].sum().reset_index()
monetary.columns = ['客户ID', 'Monetary']
data = pd.merge(data, monetary, on='客户ID')
# 计算RFM代码
data['R'] = pd.qcut(data['Recency'], q=5, labels=False, duplicates='drop') 1
data['F'] = pd.qcut(data['Frequency'], q=5, labels=False, duplicates='drop') 1
data['M'] = pd.qcut(data['Monetary'], q=5, labels=False, duplicates='drop') 1
# 打印RFM代码
print(data[['客户ID', 'R', 'F']])
为什么说这两个模型是一样的
看到这个暴论，相信不少的朋友们都是对此表示黑人问号的：啥玩意？这哪里一致的？完全没有相似度好不好！
不要着急反驳我。
实际上，这两个模型，从本质上来说，都叫做分层模型。
相信大家对于四象限并不陌生，九年义务教育都会讲的，初中数学必学科目。仔细观察一下SWOT模型的那张图，你会发现，这其实就是一个四象限图，X轴和Y轴分别是内部环境和外部环境。
无独有偶，咨询圈里其实有很多模型都是类似的，不信大家看下面这个图：
X轴是紧急不紧急，Y轴是重要不重要。和SWOT模型是不是看起来非常像？其实随手百度翻一下，类似的图还有这种的：
市场营销看消费转化领域的
人力资源领域看人才类型的：
机器学习领域区别几种技术的：
如果单独看一个SWOT模型，可能没什么感知。但是当我拿很多个类似的模型放在这里的时候，你就会发现……这些模型其实都是类似的，都是用了两个维度，把总体拆分成了四个象限。
既然两个维度可以拆分四个象限，那么三个维度呢？再给出一个Z轴会怎么样呢？当然就是会拆分出8层啊！
同样的，如果给出4个维度、5个维度，就可以继续做更为细化的拆解了。然而我们一般很少这么干，主要是因为，拆分出太多层了之后，在实际操作中就失去了可操作的价值了！
从统计学的角度上来说，分层模型是一种将数据分为不同层次的建模方法。这些层次可以是物理层次（如城市、学校、个体）或时间层次（如年份、季节、时间段）。分层模型可以用于处理数据中的异质性和相关性，并允许在不同层次上进行参数估计和推断。这种建模方法常用于社会科学、教育研究和医学研究等领域。
而SWOT模型或者RFM模型，其实就是前人根据自己的经验给出的分层层次而已。从本质上来说，都是一种基于已有经验的聚类。
从这个角度上来说，其实这些所谓的经典模型也没有什么难度。这些模型之所以能够广为流传，只是因为模型的原理相对普世而已。
互联网大厂在晋升答辩的时候，经常喜欢问一些方法论的提炼，其实完全可以参考这个分层模型搭建的思路，把两个维度或者三个维度组合起来，拆分为四个或者八个层次，每一个层次制定不同的策略。然后将拆分用的维度做一个缩写，一个自创的模型就产生了。
