編輯導(dǎo)語(yǔ)：現(xiàn)在企業(yè)的獲客成本越來(lái)越高，用戶數(shù)據(jù)指標(biāo)對(duì)于每個(gè)企業(yè)都是至關(guān)重要的指標(biāo)，如何通過(guò)RFM模型可以幫助我們更了解用戶，實(shí)現(xiàn)更精細(xì)化的策略設(shè)計(jì)？作者利用RFM模型和數(shù)據(jù)分析對(duì)業(yè)務(wù)問(wèn)題進(jìn)行拆解分析，一起來(lái)看看。

現(xiàn)在互聯(lián)網(wǎng)企業(yè)的獲客成本越來(lái)越高，而用戶的激活、轉(zhuǎn)化、留存對(duì)于任何互聯(lián)網(wǎng)企業(yè)都是至關(guān)重要的業(yè)務(wù)指標(biāo)。通過(guò)RFM模型可以幫助我們更了解用戶，實(shí)現(xiàn)更精細(xì)化的策略設(shè)計(jì)，下面我將通過(guò)一個(gè)案例分享如何利用RFM模型及數(shù)據(jù)分析拆解并解決業(yè)務(wù)問(wèn)題。

案例背景：2019年“雙11”結(jié)束后，某店KPI未達(dá)成。經(jīng)過(guò)初步分析，11月11日首次交易的新用戶數(shù)量可觀，KPI缺口可能與已購(gòu)用戶銷售表現(xiàn)不佳有關(guān)?，F(xiàn)在需要找到問(wèn)題的原因，并給出改進(jìn)建議。

問(wèn)題分析：回購(gòu)率下降分析。

明確問(wèn)題：

• 首先“雙11”是一場(chǎng)典型的短周期大促，售賣時(shí)間只有“雙11”當(dāng)天，要使用的是大促回購(gòu)率指標(biāo)。
• “KPI缺口可能與已購(gòu)用戶銷售表現(xiàn)不佳有關(guān)”，說(shuō)明分析對(duì)象是“雙11”前已在店鋪中有過(guò)購(gòu)買的用戶。
• “已購(gòu)用戶銷售不佳”，是指2019年“雙11”和歷年“雙11”對(duì)比，發(fā)現(xiàn)2019年“雙11”用戶回購(gòu)率下降，要找到下降的原因。

原因分析：

• 用多維度拆解分析方法拆解用戶；
• 用對(duì)比分析方法對(duì)比不同層次用戶的回購(gòu)率變化，縮小目標(biāo)范圍后繼續(xù)拆解與對(duì)比；
• 使用假設(shè)檢驗(yàn)分析方法確認(rèn)原因。

大促回購(gòu)率怎么計(jì)算：

取大促前一段周期內(nèi)購(gòu)買的用戶為監(jiān)測(cè)對(duì)象——基數(shù)人群，計(jì)算他們?cè)诒敬未蟠儋?gòu)買的比例。

具體到本次分析，由于該店在日常短信等溝通渠道主要觸達(dá)近兩年的購(gòu)買人群，就以“雙11”開(kāi)始前兩年內(nèi)有成交的用戶為基數(shù)，拉取他們?cè)诋?dāng)年“雙11”的回購(gòu)情況，計(jì)算出2017年、2018年、2019年“雙11”回購(gòu)率。

邏輯如圖所示：

計(jì)算得到歷年“雙11”回購(gòu)率變化如圖所示：

首先，從圖中確實(shí)看到回購(gòu)率連續(xù)下降的情況。雖然它是事實(shí)，但由于該店基數(shù)人群很大（圖中可以看到2019年超過(guò)80萬(wàn)人），未經(jīng)細(xì)分的展現(xiàn)也隱藏了很多真相。

其次，可以看出回購(gòu)率并不是首次下降，而是2018年就出現(xiàn)了下降，但用戶基數(shù)與“雙11”回購(gòu)人數(shù)其實(shí)一直在增長(zhǎng)，說(shuō)明情況還不算太壞。

第三，大促回購(gòu)率=回購(gòu)人數(shù)／基數(shù)，前面剛剛分析過(guò)，回購(gòu)人數(shù)與基數(shù)都是增長(zhǎng)但回購(gòu)率卻下滑，這是因?yàn)榛刭?gòu)人數(shù)的增長(zhǎng)慢于基數(shù)的增長(zhǎng)。也就是說(shuō)，可能在新增的基數(shù)人群中，有部分人回購(gòu)表現(xiàn)不佳，拖累了整體，接下來(lái)分析的重點(diǎn)是找出這部分人。

下一步使用多維度拆解分析方法來(lái)拆解用戶，通過(guò)對(duì)比不同類型用戶的回購(gòu)率，探索更多信息。

選擇的第一個(gè)拆解維度是R值，它是RFM模型中的“最后一次購(gòu)買時(shí)間間隔”。

舉個(gè)例子：

如果小明在1月2日、3月2日、3月8日在天貓超市都購(gòu)買過(guò)，分析天貓超市“38大促”回購(gòu)人群時(shí)，小明距離“38大促”的最后一次購(gòu)買時(shí)間就是3月2日，間隔R值為6天。R越小的用戶活躍度越高，回購(gòu)率也越高。

該店鋪基數(shù)人群是近兩年購(gòu)買用戶，也就是在“雙11”前730天有購(gòu)買的用戶，可以先按年（1年365天）粗略把R值拆解成兩組：R≤365和365<R≤730。

不同R值的基數(shù)用戶“雙11”回購(gòu)情況如圖所示：

下一個(gè)拆解維度是F，它是RFM模型中的“購(gòu)買頻次”，也就是基數(shù)用戶在“雙11”之前的兩年里購(gòu)買的次數(shù)。先粗略拆解為F=1與F>1。理論上來(lái)說(shuō)，購(gòu)買次數(shù)多的用戶越活躍，回購(gòu)率高。

如圖所示：不同F(xiàn)值的基數(shù)用戶“雙11”回購(gòu)情況。

對(duì)比2018年“雙11”的回購(gòu)率發(fā)現(xiàn)，2019年“雙11”整體（合計(jì)）回購(gòu)率下降了4.46%（對(duì)應(yīng)表4-2第3行合計(jì)的回購(gòu)率同比變化值是-4.46%）。

從上圖可以看出，無(wú)論R≤365還是365<R≤730分組都沒(méi)有呈現(xiàn)類似的下滑趨勢(shì)：R≤365組完全持平（對(duì)應(yīng)表4-2第1行回購(gòu)率同比變化值是0%），365<R≤730組甚至略有提升（對(duì)應(yīng)表4-2第2行回購(gòu)率同比變化值是1.67%）。

初步結(jié)論是不同R值的基數(shù)用戶回購(gòu)率沒(méi)有下降，R值不能定位回購(gòu)率下降的原因。為了盡快找到關(guān)鍵影響因素，暫且放下R值，去嘗試其他維度。

這兩組用戶在2018年與2019年的回購(gòu)率有了更明顯的區(qū)別，2019年購(gòu)買次數(shù)為一次的用戶（F=1）的回購(gòu)率同比降低9.27%，而購(gòu)買多次的用戶（F>1）回購(gòu)率同比只減少0.81%。

對(duì)比總體回購(gòu)率降低4.46%來(lái)看，F(xiàn)=1組基數(shù)用戶的波動(dòng)較為突出。（其實(shí)不用太多業(yè)務(wù)經(jīng)驗(yàn)，用常識(shí)去想“只購(gòu)買過(guò)一次的用戶轉(zhuǎn)化為二次復(fù)購(gòu)比較困難”也是大多數(shù)人能理解的情況，幾乎所有店鋪的銷售構(gòu)成中F=1的用戶也占大頭。）

原因定位：

相比上一次R值拆解，F(xiàn)值拆解帶給我們更有價(jià)值的洞察：僅購(gòu)買一次的基數(shù)用戶回購(gòu)率下滑較大，造成已購(gòu)用戶2019年“雙11”的整體回購(gòu)率降低。這是一個(gè)突破口，接下來(lái)可以對(duì)F=1的基數(shù)用戶進(jìn)行更細(xì)的分組、更深入的分析。

定位F=1的基數(shù)用戶存在問(wèn)題后，把這部分人單拎出來(lái)，按不同R值分成多組，這次不像最開(kāi)始嘗試R值拆分那樣粗略分組，而要盡可能細(xì)地拆解，仔細(xì)對(duì)比各組回購(gòu)情況找到核心原因。

為什么不繼續(xù)使用RFM中沒(méi)用到的最后一個(gè)指標(biāo)M（累計(jì)購(gòu)買金額）？其實(shí)累計(jì)金額一定程度上已經(jīng)由購(gòu)買頻次反映了，累計(jì)金額=客單價(jià)×購(gòu)買次數(shù)，由于要拆解的用戶過(guò)去兩年只購(gòu)買了一次，單筆客單的差距不大，應(yīng)該是相對(duì)集中的一個(gè)數(shù)值，無(wú)法達(dá)到分組的效果。

如圖所示：細(xì)化分組F=1的用戶“雙11”回購(gòu)情況。

黃色單元格中是回購(gòu)率同比下降最大的值，是造成F=1的用戶回購(gòu)下降的主要原因，它對(duì)應(yīng)的組是90<R≤180。

R代表“回購(gòu)間隔”，等于“用戶最近一次購(gòu)買日期-上一次購(gòu)買日期”的天數(shù)差。由2019年11月11日減去90天和180天，倒推得出該區(qū)間用戶的上次購(gòu)買時(shí)間介于2019年5月中旬至8月中旬。

同時(shí)，另一個(gè)重要特征是F=1，也就是這段時(shí)間內(nèi)首次購(gòu)買的新用戶。

該店鋪是服飾類目，根據(jù)品牌特性和電商平臺(tái)節(jié)奏，5—8月的主要活動(dòng)有兩項(xiàng)：“618”大促和7月秋季上新。

于是，可以提出假設(shè)：這兩次活動(dòng)引進(jìn)的新用戶質(zhì)量產(chǎn)生了問(wèn)題。

可以對(duì)比用戶一年復(fù)購(gòu)率、加入會(huì)員的比例、互動(dòng)率、短信響應(yīng)率等指標(biāo)，如圖所示：

最終得到結(jié)論，2019年“618”大促帶來(lái)的新用戶有大量用戶未留存下來(lái)，這些新用戶來(lái)源主要是平臺(tái)的推廣頁(yè)，例如“9.9元秒殺”“疊貓貓游戲”等曝光量大的廣告吸引來(lái)許多低價(jià)嘗鮮用戶。

當(dāng)然可以篩除這部分用戶后做進(jìn)一步驗(yàn)證（這里不再展開(kāi)分析）。

關(guān)于“回購(gòu)率下降”的分析結(jié)束，我們可以從以下維度思考并設(shè)計(jì)一套針對(duì)本次分析結(jié)果的解決方案：

根據(jù)分析結(jié)果，問(wèn)題出在該店鋪在今年平臺(tái)大促引入購(gòu)買一次的新用戶后續(xù)復(fù)購(gòu)轉(zhuǎn)化不足。在獲客成本居高不下的市場(chǎng)現(xiàn)狀，做好留存和轉(zhuǎn)化的成本遠(yuǎn)低于拉新的投入成本，所以建議為這次的目標(biāo)用戶設(shè)計(jì)具有針對(duì)性的專享召回活動(dòng)，僅對(duì)這部分用戶展示。

活動(dòng)突出“即時(shí)激勵(lì)+復(fù)購(gòu)挑戰(zhàn)+長(zhǎng)期復(fù)購(gòu)”的權(quán)益，由于該部分用戶的復(fù)購(gòu)意向較差，極有可能變成流失用戶，建議適當(dāng)給與這批用戶更有誘惑力的優(yōu)惠力度、更多的觸達(dá)方式、以及更好的服務(wù)政策用以進(jìn)行召回轉(zhuǎn)化，并延長(zhǎng)其生命周期以達(dá)到提升LTV的效果。

本文由 @產(chǎn)品經(jīng)理的取經(jīng)路 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(lái)自 Unsplash，基于 CC0 協(xié)議