180
2023-12-03 04:48
adminSMEI编者按：
本篇为大家分享用户增长案例篇----RFM用户分层。
以下摘选自即将出版的《用户增长白金教程》，版权所有，转发可联络SMEI授权。
1 RFM的概念
RFM分层亦称RFM分群，指的是一种衡量顾客或用户价值的模型。R、F、M分别代表Recency（最近一次消费时间）、Frequency（消费频率）、Monetary Value（消费金额），它从三个维度将用户分为八类，分别采取针对性的运营策略。
RFM模型及八个类别如图、如表所示：
| 类别 | R最近一次消费时间 | F消费频率 | M消费金额 |
| 重要价值客户 | 高 | 高 | 高 |
| 重要发展客户 | 高 | 低 | 高 |
| 重要保持客户 | 低 | 高 | 高 |
| 重要挽留客户 | 低 | 低 | 高 |
| 一般价值客户 | 高 | 高 | 低 |
| 一般发展客户 | 高 | 低 | 低 |
| 一般保持客户 | 低 | 高 | 低 |
| 一般挽留客户 | 低 | 低 | 低 |
图X RFM用户分群表
2 RFM的计算
下面以某母婴店的例子来看RFM具体如何计算，分为以下几个步骤：
Step 1，采集R、F、M数据
在采集数据的时候，我们要先明确两件事：一是采集的时间区间，二是用户对象。
时间区间指的就是采集距当前时点多长时间的数据。
用户对象是指要分析哪一部分用户，还是说全体用户，根据实际需要。
在本例中，采集的是近12个月以来的全量用户数据，数据中包含3个字段，即用户ID——用来区分用户个体，消费时间——指产生订单的具体日期，消费金额——指单次消费金额，原始数据样本如下表所示：
| 序号 | 用户ID | 消费时间 | 消费金额 |
| 1 | B4559 | 2020-03-12 | 368.00 |
| 2 | B100974 | 2020-05-05 | 392.50 |
| 3 | B209946 | 2020-07-11 | 358.70 |
| 4 | B209451 | 2020-12-19 | 340.40 |
| 5 | B45667 | 2020-07-07 | 378.00 |
| 6 | B3305987 | 2020-06-21 | 391.30 |
| …… | …… | …… | …… |
Step 2，确定R、F、M的评分模型
采集了基础数据后，我们就可以来衡量单个用户在某一维度上的数据表现是高，还是低？比如，表中的340.40元算是什么水平？如果没有参照值，就无法给出结论。
那这个高、低是和谁比呢？是与抽取出来的这个数据样本内部进行对比，比如样本的中心水平的消费金额是300元，那340.4元就是“高”。
这个“中心水平”怎么计算呢？比较常用的方法就是等频和等宽进行切分，比如计算消费金额的平均值。但平均值只适合于均类数据（例如某个班上男生的身高数据，离散程度没有那么大），但对于一些不规则数据，平均值的代表性就会比较差。比如该店有4位用户，消费金额分别为3000元、700元、600元、20元，从直觉上我们就知道前3位用户是重要用户，但如果按平均值（1080元）来评判的话只有第1位用户才高过平均水平——属于重要用户，这显然是不合理的。也可以考虑用中位数，它比平均值会更合理一点，上面4位用户消费金额的中位数是650元，以这个值作为参照，前2位用户是重要用户，这个结果比用平均值好一点，但仍然不是太理想。比较好的做法是，通过聚类算法分别找到R、F、M数据的中心点。或者，用简化的建模方法来确定。
下面，我们重点介绍简化的建模方法，它通过Excel工具即可完成。
怎么做呢？我们先要结合实际业务场景和数据，分别对R、F、M定性评分（1-5分）：
- 对于R，我们经过分析用户消费数据发现，一般来讲用户注册后会在20天内下单，那么20天是一个比较重要的周期；大部分用户在50天内完成第2次消费，大部分在80天内完成第3次消费，大部分在150天内完成第4次消费。于是，我们可以将距离当前0-20天内消费的用户评为5分（距当前越近得分越高），将20-50天内消费的用户评为4分，50-80天的为3分，80-150天的为2分，150天以上的为1分。
- 对于F，我们可以将近12个月中消费5次（含）以上的评为5分，消费4次的4分…消费1次的1分。
- 对于M，我们分析12个月的消费数据，计算出平均每次消费金额为367元，那么，对应F次数，我们也可以按照5个区间进行评分：367元（含）以内为1分，367-734元为2分，734-1101元为3分，1101-1468元为4分，1468元以上为5分。
通过上面的定性、定量相结合的方法，我们就建立了一个简单的RFM评估模型。
Step 3，计算R、F、M的实际得分
按照上面的评分模型，我们用Excel表可以非常方便地计算出每位用户的R、F、M上的得分（其中B列的R值为距离当前最近一次的消费时间间隔），如表所示：
上表中，每一行代表一位用户的数据。R表示最近一次消费时间距离当前的天数，如果一位用户最近12个月里有多次消费记录，则取离得最近的那次消费，R则为该时间点与当前时间点的差值，用天来表示；F表示最近12个月里共有多少次消费；M表示最近12个月里的消费总金额，注意这里是总金额而非某单次的消费金额。
Step 4，对R、F、M进行高低比较
接下来 ，我们分别对每位用户的R、F、M得分与平均值进行比较，比如将所有用户的R值得分求和再除以用户总数，得到平均值是2.3，那么低于这个值，比较结果就是“低”，高于这个值，结果就是“高”。
由于我们已经将分值按业务实际情况分成了5档，因而此处的基准取平均值或中值都是合适的。
于是，我们得到下表：
以上，就是完整的RFM计算步骤。
3分层运营策略
按照前述表XX的规则，就可以把母婴店的用户分成8类了。在归类的过程中，仍然可以通过excel的IF函数进行快速操作，具体细节在此就不再赘述了。
我们也可以将R、F、M求和或者加权求和，算出一个总分，从单一维度对用户价值进行评估。
根据RFM模型对用户进行分群后，我们可以制定不同的运营策略：
| 用户类别 | R | F | M | 分层运营策略 |
| 重要价值客户 | 高 | 高 | 高 | 保持好现状即可 |
| 重要发展客户 | 高 | 低 | 高 | 刺激用户的消费频率 |
| 重要保持客户 | 低 | 高 | 高 | 要想办法留住这个用户 |
| 重要挽留客户 | 低 | 低 | 高 | 要想办法留住用户，并且刺激他的消费频率 |
| 一般价值客户 | 高 | 高 | 低 | 要刺激用户的消费力度 |
| 一般发展客户 | 高 | 低 | 低 | 要刺激用户的消费频率和力度 |
| 一般保持客户 | 低 | 高 | 低 | 要想办法留住这个用户，并且刺激他的消费力度 |
| 一般挽留客户 | 低 | 低 | 低 | 要各方面进行刺激 |
4 RFM在非付费场景中的扩展应用
RFM模型广泛运用于付费类业务场景下的用户价值分析和分群。那如果是非付费类业务场景下呢？仍然可以使用这个模型的变体，根据产品及关键行为做一下调整即可。
下面举一些场景的例子，如表所示：
| 产品/关键行为 | R | F | M |
| 资讯产品/阅读 | 最近一次阅读时间 | 6个月内阅读次数 | 6个月内阅读总篇数 |
| 音乐应用/听音乐 | 最近一次听音乐时间 | 6个月内听的次数 | 6个月内听的总时长 |
| 网站/登录 | 最近一次登录时间 | 12个月内登录次数 | 12个月内总在线时长 |
| 短视频/观看视频 | 最近一次观看时间 | 6个月内观看次数 | 6个月内总在线时长 |
- 相关评论
- 我要评论
-
