編輯導語：RFM模型是與用戶價值相關(guān)的常見模型之一。那么，RFM模型具體應該如何應用？如果非專業(yè)數(shù)據(jù)師，又該如何利用常見工具Excel來計算RFM值、得出有效數(shù)據(jù)呢？本文作者就介紹了用Excel來構(gòu)建RFM模型的方法，讓我們來看一下。

一、引言

如果你聽過客戶關(guān)系管理（CRM），那么你大概率上也曾聽到過RFM模型。在精細化運營的今天，在解決如何更好的挖掘用戶價值之前，首先要解決的問題是如何衡量用戶價值？

和用戶價值有關(guān)的模型非常多，除了RFM模型之外，還有客戶生命周期價值模型（CLV模型）、客戶生命周期模型（AARRR模型）等。不同的模型切入的角度以及具體的應用不同，我們今天主要講的是RFM模型。

本文主要分為兩個部分：一是理論部分，簡單告訴大家RFM模型是什么？能夠給生意帶來什么幫助？二是計算部分，如何只用EXCEL就可以計算RFM值并得出用戶分層數(shù)據(jù)。

二、理論部分

1. RFM模型有什么用？

舉例來說：某品牌經(jīng)過10年的運營，擁有了500萬的注冊會員，這個數(shù)字是明確且可統(tǒng)計的。在這500萬的注冊會員中有400萬的注冊會員產(chǎn)生過購買行為。那么這400萬產(chǎn)生過購買行為的會員中，有多少會員是品牌的忠誠用戶？有多少會員已經(jīng)流失？又有多少會員即將流失？

針對這些不同類型的用戶，如何才能實現(xiàn)快速獲取并快速定制運營方案？甚至可以直接設(shè)置自動化精準定向營銷呢？

RFM模型可以給你解答這一系列的問題，只有掌握了品牌會員的不同分類以及價值，才能夠有針對性地設(shè)計運營活動，從而提高最終的成交轉(zhuǎn)化。

2. 什么是RFM模型？

根據(jù)美國數(shù)據(jù)庫營銷研究所Arthur Hughes教授的研究表明，在客戶的數(shù)據(jù)庫中有三個要素，這三個要素構(gòu)成了分析用戶價值的重要指標：

1. R (Recency) : 最近一次交易時間間隔；
2. F（Frequency) : 消費頻率；
3. M（Monetary): 消費金額。

RFM模型即是這三個單詞的首字母組合。

R (Recency) : 最近一次交易時間間隔，指的是消費者最后一次成交距統(tǒng)計時間的間隔。

例如消費者最后一次的交易時間是2021年3月6日，統(tǒng)計時間是2021年4月6號，那么間隔時間R=30天，即消費者最后一次成交發(fā)生的時間距統(tǒng)計時間的間隔是30天。

F（Frequency) : 消費頻率，指的是在統(tǒng)計時間段內(nèi)，消費者的消費次數(shù)。

例如統(tǒng)計時間是2021年的1月到3月，消費者在這期間一共消費了5次，那么正常情況下F=5。

有人可能會問：如果這5次消費行為中，有兩次消費行為（兩筆訂單）發(fā)生在很短的時間內(nèi)，例如10分鐘以內(nèi)，那么F=5還是F=4更合理呢？

筆者認為這需要根據(jù)公司的具體業(yè)務形態(tài)擬定。我們在定義F值的時候之所以會有這樣的顧慮是因為通常情況下，我們把消費者在很短時間內(nèi)多次下單的行為看做是一次消費行為，消費者拆單可能是為了湊滿減滿贈等。

回到問題的本源：我們統(tǒng)計F這個指標主要是為了衡量消費者的活躍性，哪種方式更能夠代表行業(yè)特征或公司業(yè)務形態(tài)就采用哪種方式。當然業(yè)務特殊（例如生鮮外賣）或是為了統(tǒng)計方便，也可以直接把F=消費次數(shù)，不考慮消費時間間隔極短的情況。

M（Monetary): 消費金額，指的是在統(tǒng)計時間段內(nèi)，消費者的累計消費金額。

在其他條件相同的情況下，R/F/M值具備如下特征：

• R值越小，用戶價值越高，1年前在本店消費過的用戶，價值肯定沒有1天前在本店消費過的客戶價值高。
• F值越大，用戶越活躍且忠誠，也就是說經(jīng)常購買的用戶肯定比偶爾購買的用戶價值要高。
• M值越大，用戶價值越高。M值體現(xiàn)的是用戶的購買力，購買力越高的用戶價值自然也越大。

我們基于RFM三個值，可以構(gòu)建出一個三維的坐標體系，把用戶分成8個層級，如下圖所示：

用表格的形式展現(xiàn)更便于理解：

整理成這樣的形式就比較好理解了，我們把所有的用戶，從RFM三個維度切分成了8種不同的類型。

3. RFM模型的應用場景

簡單舉幾個例子來說明不同類型的用戶，運營策略的不同。

1）針對【重要價值客戶】

即RFM值均高的用戶，我們通常稱之為“至尊用戶”，也是整個品牌用戶群體中金字塔頂端的那一撥人，購買頻率高，金額貢獻高，而且頻繁光顧店鋪。

針對這波用戶，運營的主要策略是：保持穩(wěn)定增長，“至尊用戶”的數(shù)量不要出現(xiàn)流失，并且能夠不斷從下層用戶中往上輸送新的“至尊用戶”。很多公司都會針對這波用戶出具一些特殊的權(quán)益，例如專屬服務或“專屬生日禮盒”等。

2）針對【重要挽留用戶】

即很久沒有進行復購，但之前的購物金額以及購物頻率都很高的用戶，如果放任不管，這波用戶很可能隨著時間的流逝而流失。

運營的主要策略是復購，可通過發(fā)放專屬權(quán)益、針對性折扣、贈品等一系列的定向優(yōu)惠形式使得這波用戶重新光臨店鋪，對比拉新的成本，重新讓這波用戶再次回購的成本要低的多了。

3）針對【一般價值客戶】

即RF值高但是M值小的用戶，比較活躍但是成交金額比較低的用戶。一般這類用戶我們會稱之為活躍用戶，而且價格敏感型居多。

運營的主要策略是針對這波用戶提高他們的客單價，可以通過定向搭配購、加錢換購等形式不斷提高該波用戶的客單價，商品購物籃推薦也是非常有用的。

這些運營策略僅供拋磚引玉，不同公司業(yè)務模式不同，因此在定義【用戶等級】以及主要的運營策略過程中，需要根據(jù)業(yè)務的實際情況進行擬定，不可直接照搬。

三、如何構(gòu)建RFM模型？

“道理我懂了，關(guān)鍵是怎么落地呢？”作為一名運營，尤其是公司有專業(yè)的數(shù)據(jù)分析團隊以及CRM團隊的運營來說，一般情況下，知道用戶分層定義的邏輯就可以了。

日常工作中，運營做的更多的是，知道本公司的用戶是如何分類的，每一種類型的定義是什么？針對不同的人群應該出具何種運營策略，這些運營策略實施的效果如何？并且如何不斷優(yōu)化運營策略……更多的重心是放在數(shù)據(jù)的應用上，對于模型的構(gòu)建以及算法的應用，知道的不多。

而且通常情況下，一家公司的會員模型構(gòu)建完成后，在相當長的一段時間內(nèi)不會有任何的調(diào)整（除非業(yè)務模式發(fā)生變化）。

那么問題來了。

公司規(guī)模比較小或者項目初期，公司沒有CRM部門、沒有數(shù)據(jù)分析部門，很多工作需要運營去張羅的時候，如何能夠利用RFM模型對現(xiàn)有人群做分層管理呢？

不懂算法、不會Python、不會SQL、統(tǒng)計學也不太好的情況下，只是利用Excel，如何能夠把手頭上已有的用戶人群來進行分層打標簽呢？

這里和大家分享兩種只用EXCEL就可以計算的方法。

1. 數(shù)據(jù)源準備

在開始之前我們需要準備好分析用的源始數(shù)據(jù) 。

我們能夠方便獲得的是店鋪在一定時間內(nèi)的交易數(shù)據(jù)，包含：用戶名、訂單編號、訂單金額、訂單時間等字段的數(shù)據(jù)。我們利用交易數(shù)據(jù)可以提取到我們需要的RFM數(shù)據(jù)，利用簡單的IF函數(shù)和數(shù)據(jù)透視表就可以實現(xiàn)了。

因為Excel表格太大拖不動的緣故，我選擇了網(wǎng)站2018年-2020年，2年的交易數(shù)據(jù)，對他們進行處理后得到如下數(shù)據(jù)：

對會員ID做了模糊化處理，一共得到19萬條的用戶數(shù)據(jù)，分別知道每一個會員的RFM對應的值是多少。

2. 數(shù)據(jù)計算方法

在我們知道每一名用戶對應的R/F/M值以后，我們需要知道RFM三個數(shù)值分別是多少才算是高 or 低？

1）方法一：四分位數(shù)法

① 四分位數(shù)理論

四分位數(shù)是統(tǒng)計學分位數(shù)中的一種，把所有數(shù)值從低到高（或者從高到底）排列并分成四等份，處于三個分割點位置的數(shù)值就是四分位數(shù)。

一般表示為：

• Q1：樣本排列中處于25%位置的數(shù)字；
• Q2：又稱為中位數(shù)，指的是樣本排列中處于50%位置，即中間位置的數(shù)據(jù)；
• Q3：樣本排列中處于75%位置的數(shù)字。

假設(shè)樣本數(shù)據(jù)項數(shù)一共是N：

• 則Q1的位置數(shù)值=（N+1）/4；
• Q2的位置數(shù)值=（N+1)/2；
• Q3的位置數(shù)值=3（N+1)/4。

如果（N+1）恰好是4的倍數(shù)，則確定四分位數(shù)比較簡單，如果不是4的倍數(shù)，相關(guān)位置的四分位數(shù)就應該是相鄰兩個數(shù)值的標志值的平均數(shù)。

權(quán)數(shù)的大小取決于兩個數(shù)值距離的遠近，距離越近權(quán)數(shù)越大，距離越遠，權(quán)數(shù)越小，權(quán)數(shù)之和等于1。

例如一組樣本數(shù)據(jù)如下所示：

N=10，則Q1的位置=11/4=2.75（12和196兩個數(shù)值）；Q2的位置=5.5；Q3的位置=8.25。

則有：

• Q1=0.25*第2項+0.75*第3項=0.25*12+0.75*196=150；
• Q2=0.5*第5項+0.5*第6項=0.5*204+0.5*211=207.5；
• Q3=0.75*第8項+0.25*第9項=0.75*234+0.25*261=240.75。

在對應到RFM值的時候，我們可以定義為50%位置以下的數(shù)據(jù)值為【低】，即小于207.5的數(shù)值為低，50%位置以上的數(shù)據(jù)值為【高】，即大于207.5的數(shù)值為高。

也可以定義為75%位置以下的數(shù)據(jù)值為【低】，即小于240.75的數(shù)值為低，75%位置以上的數(shù)據(jù)值為【高】，即大于240.75的數(shù)值為高。

筆者的一般做法是：這兩種劃分位置都算一下，最后看結(jié)果，根據(jù)二八原則來確定選擇哪一種高低分類更合理。

② 四分位數(shù)的應用

筆者直接按照“75%位置以下的數(shù)據(jù)值算低，75%以上的數(shù)據(jù)值算高”的方式來分別計算RFM三個數(shù)值的高低。

先算【R】值，因為R值越小越好，所以R值我們這邊先按【倒序】排列，如此可得：

• N=1096，Q3的位置=3（N+1)/4=822.75；
• Q3=0.75*第822項+0.25*第823項=0.75*274+0.25*273=273.75。

所以，R值≥273.75的值定性為低，R值＜273.75的值定性為高，即距離統(tǒng)計時間越短的用戶，價值越高。

計算【F】值：

• N=158，Q3的位置=3（N+1)/4=119.25；
• Q3=0.75*第119項+0.25*第120項=0.75*129+0.25*131=129.5。

所以，F(xiàn)值≥129.5的值定性為高，F(xiàn)值＜129.5的值定性為低。

計算【M】值：

N=26387，Q3的位置=3（N+1)/4=19791，恰好是4的倍數(shù)，故Q3=第19791項=2018。所以M值≥2018的值定性為高，M值＜2018的值定性為低。

三個數(shù)值都計算好之后，整理如下：

如此，我們通過簡單的IF函數(shù)就可以計算出每一名用戶R值的屬性了，如下圖所示：

按照相同的方式為F值和M值作出高低定義，結(jié)果如下：

然后我們根據(jù)如下表格，對所有的用戶進行分層：

就可以得到各個用戶的標簽了，如下圖所示：

2）方法二：評分法

評分法就是先將RFM的價值按照從低到高劃分為1-5分，然后對每一個RFM的值進行打分，這樣每一個RFM值都在1-5分之間，然后分再分別算出RFM三個數(shù)值各自的平均值，高于平均值的定性為“高”，反之定性為“低”。

我們用同樣的一組數(shù)據(jù)來實操給大家看一下。

我們先給RFM三個數(shù)值進行打分，結(jié)合業(yè)務的具體特點，筆者做出如下定義：

有人會問了，我怎么知道小于90天的就是5分呢？

這里推薦三種方式：

1. 經(jīng)驗法，根據(jù)自己對業(yè)務所積累的經(jīng)驗來進行劃分，當然也可以參考行業(yè)的常規(guī)定義；
2. 將數(shù)據(jù)進行5等分，分成5個區(qū)間塊，每一個區(qū)間范圍分別從高到低進行打分；
3. 有點復雜，舉例來說：要算F值的劃分，可以利用數(shù)據(jù)透視知道不同的購買次數(shù)對應的會員人數(shù)是多少？然后對購買次數(shù)進行分組，看會員數(shù)的占比情況，不斷調(diào)整分組步長來進行劃分。也就是說統(tǒng)計歷史數(shù)據(jù)，看F值對應的會員人數(shù)占比分別是多少（F=2的在歷史數(shù)據(jù)中的會員人數(shù)占比）？掌握F的數(shù)據(jù)分布情況后再進行打分。

根據(jù)上表，我們對RFM三個數(shù)值分別進行打分，同樣用的是IF公式，我們將會得到如下表格：

然后分別算出R值的平均值是1.78，F(xiàn)值的平均值是1.41，M值的平均值是1.96。

如果某一用戶的R值大于整列的平均值，則定性為“高”，如果低于平均值，則定性為“低”，如下圖所示：

之后的步驟就同方式一所介紹的一樣了，根據(jù)RFM值高低的不同，將所有的用戶分成8個類型即可。

這里介紹的兩種方法是只要通過EXCEL的形式就可以計算出來的，針對規(guī)模較小，或者是沒有數(shù)據(jù)分析部的公司。

而一般情況下，構(gòu)建RFM模型常用的是K-means聚類算法來進行人群RFM值的定義與劃分，但是K-means對于運營人員來說有些吃力了，多是數(shù)據(jù)分析工程師具備的技能了。

還是那句老話，運營通常情況下，會用就可以了，當然如果能知道這個模型的計算邏輯就更好了。

分享結(jié)束，歡迎交流~~~

本文由 @Trinity 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于 CC0 協(xié)議