本文作者主要是分享一下RFM模型在用戶分層精細化運營領(lǐng)域的應(yīng)用方法和簡單的實操案例。enjoy~

在用戶運營領(lǐng)域，有一個叫做RFM的詞，相信很多人看到過，或許感覺比較專業(yè)就沒有繼續(xù)深入；或者有些文章涉及到了python等數(shù)據(jù)處理手段，望而卻步；又或者因為這個詞跟電商關(guān)系緊密，所以非電商的運營伙伴就選擇了放棄學習。

今天主要是分享一下RFM模型在用戶分層精細化運營領(lǐng)域的應(yīng)用方法和簡單的實操案例。

RFM模型更上一級隸屬于用戶價值模型，在用戶價值模型中有兩個方向：

• 一個是基于用戶生命周期，也就是時間和用戶在產(chǎn)品內(nèi)的成長路徑進行的生命周期模型的搭建
• 另一個就是基于用戶關(guān)鍵行為進行的RFM模型的搭建，本次只說用戶價值模型中的RFM模型

RFM模型有哪些好處呢？當我們確定了RFM模型之后，從而可以決定針對哪些用戶在發(fā)送短信時，加上前綴“尊敬的VIP用戶”，哪些用戶加上前綴“好久不見”。也可以幫助企業(yè)判斷哪些用戶有異動，是否有流失的預(yù)兆，從而增加相應(yīng)的運營動作。用處之大，且看下文。

關(guān)于RFM的科普大家可以自行在網(wǎng)絡(luò)上搜索，這里不做贅述，先說一下三個字母的意思：

• R：最近一次消費（recency），代表用戶距離當前最后一次消費的時間，當然是最近一次消費的時間距今越短越好，對我們來說更有價值，更可能有效的去觸達他們。
• F：消費頻次（frequency），用戶在一段時間內(nèi)，在產(chǎn)品內(nèi)的消費頻次，重點是我們對一段時間的定義。
• M：消費金額（monetary），代表用戶的價值貢獻。

最早是將R、F、M每個方向定義5個檔，5*5*5=125種用戶分類，對大部分運營和產(chǎn)品來說，過于復(fù)雜，大家可以不用去了解為何分成5檔這樣的歷史問題?，F(xiàn)在我們已經(jīng)把R、F、M每個方向定義為：高、低，兩個方向，我們找出R、F、M的中值，R=最近一次消費，高于中值就是高，低于中值就是低，這樣就是2*2*2=8種用戶分類，如下圖：

所以，如果我們能夠找出產(chǎn)品內(nèi)用戶隸屬于以上8類中的哪一類，我們就可以針對性的制定運營策略。

在做具體的RFM搭建之前，我再強調(diào)一次，RFM模型不僅適用于電商領(lǐng)域，其他領(lǐng)域同樣適用。只要我們找出跟R、F、M相關(guān)的數(shù)據(jù)字段，做好字段的定義，證明這些字段是影響當前業(yè)務(wù)進展的最為關(guān)鍵的幾個維度即可：

• R：最近一次登錄時間、最近一次發(fā)帖時間、最近一次投資時間、最近一次觀看時間
• F：瀏覽次數(shù)、發(fā)帖次數(shù)、評論次數(shù)
• M：充值金額、打賞金額、評論數(shù)、點贊數(shù)

上面這些都是在其它領(lǐng)域?qū)、F、M的定義，具體要根據(jù)實際業(yè)務(wù)情況進行評估。比如你是豆瓣的運營負責人，發(fā)現(xiàn)過去一周，豆瓣圖書版塊的整體流量下降10%，同時，文學書籍類別下的分享帖環(huán)比下降5%，你要去分析原因，可以選取對應(yīng)R、F、M的字段分別為：登錄數(shù)、發(fā)帖數(shù)、互動數(shù)。

• 圖書版塊整體流量下降，可以理解為這個版塊的活躍下降，可以看下過去一周的登錄數(shù)。
• 文學書籍類別下的分享帖下降5%，可以看下過去一周的發(fā)帖數(shù)。
• 同時，流量下降，我們可以看下是否因為帖子質(zhì)量相對下降，導(dǎo)致用戶的互動（評論、收藏等）下降，進而導(dǎo)致流量下降。

下面我以自己抓取的1w條某導(dǎo)購平臺的一套數(shù)據(jù)為例，帶大家使用最簡單的方法，進行這套數(shù)據(jù)中用戶RFM模型的搭建，找出這8個類別的用戶。

RFM模型搭建步驟如下：

• 抓取R、F、M三個維度下的原始數(shù)據(jù)
• 定義R、F、M的評估模型與中值
• 進行數(shù)據(jù)處理，獲取R、F、M的值
• 參照評估模型與中值，對用戶進行分層
• 針對不同層級用戶指定運營策略

（1）抓取R、F、M三個維度下的原始數(shù)據(jù)，我抓取是最近一次消費時間、消費頻次、消費金額。上文已經(jīng)說過，在做各自業(yè)務(wù)分析時，可以根據(jù)實際情況選取R、F、M的數(shù)據(jù)字段。下表是1w條數(shù)據(jù)中的13條進行展示：

（2）我將1w條數(shù)據(jù)的最近一次消費時間、消費頻次、消費金額分別用占比趨勢圖進行處理，以消費頻次為例，如下圖：

大家通過圖表，可以看出1w條數(shù)據(jù)中，關(guān)于消費頻次出現(xiàn)了幾個比較明顯的斷檔，分別是：消費1次、消費2-5次、消費6-11次、消費12-17次、消費18次以上。所以，我把F值分為5檔，F(xiàn)=1=消費1次，F(xiàn)=2=消費2-5次，F(xiàn)=3=消費6-11次，F(xiàn)=4=12-17次，F(xiàn)=5=18次以上。

同理，用上圖的方式，我找出了R值和M值5當分別對應(yīng)的數(shù)據(jù)區(qū)間。R=1=2天，R=2=3-8天，R=3=9-14天，R=4=15-22天，R=5=23天以上；M=1=600元，M=2=601-3800元，M=3=3801-6200元，M=4=6201-10000元，M=5=10001-15000元。

我們得到RFM三個數(shù)據(jù)指標下的分檔標準：

（R值時反向值，R值越大，用戶價值越低；F值時正向值，F(xiàn)越大用戶價值越高；M值時正向值，M值越大用戶價值越大。）

（3）計算1w條數(shù)據(jù)，每條數(shù)據(jù)下最近一次消費時間、消費頻次、消費金額對應(yīng)的R、F、M值：

上圖的計算方式比較簡單，我們在excel中寫入if語句：

單元格E2=if（B2>23,5,if(B2>15,4,if(B2>9,3,if(B2>3,2))))）

解釋：

• 如果B2大于23，則A1用戶對應(yīng)的R值=5，否則進入下一個if判斷；
• 如果B2大于15，則A1用戶對應(yīng)的R值=4，否則進入下一個if判斷；
• 如果B2大于9，則A1用戶對應(yīng)的R值=3，否則進入下一個if判斷；
• 如果B2大于3，則A1用戶對應(yīng)的R值=2，否則進入下一個if盤點。

計算F值和M值的方式一樣。

（4）計算R、F、M的平均值，這一點大家應(yīng)該都會，直接求和再除以項數(shù)。R（ave）=2.9，F(xiàn)（ave）=1.8，M（ave）=2.7

（5）將1w條數(shù)據(jù)每個用戶的R值、F值、M值和平均值進行比較，高于平均值則標記為高，低于平均值則標記為低：

比較高低值，使用一個簡單的if語句：

H2=if（E2<2.9，“低”，“高”），F(xiàn)值和M值計算同理。

（6）將每個用戶的R、F、M值與中值分別進行比較，得出用戶所屬類別表：每個用戶的R值、F值、M值與中值進行比較，判斷高或者低，進而確定用戶屬于上文所說RFM模型8類用戶中的哪一類，這里需要用到一個簡單的if語句進行判斷，我們以A1用戶為例，判斷A1用戶所屬用戶類別：

K2=IF(AND(H2=”高”,I2=”高”,J2=”高”),”重要價值用戶”, IF(AND(H2=”高”,I2=”低”,J2=”高”),”重要發(fā)展用戶”,IF(AND(H2=”低”,I2=”高”,J2=”高”),”重要保持用戶”, IF(AND(H2=”低”,I2=”低”,J2=”高”),”重要挽留用戶”,IF(AND(H2=”高”,I2=”高”,J2=”低”),”一般價值用戶”, IF(AND(H2=”高”,I2=”低”,J2=”低”),”一般發(fā)展用戶”,IF(AND(H2=”低”,I2=”高”,J2=”低”),”一般保持用戶”,”一般挽留用戶”)))))))

同時，我們點擊excel中的“條件格式”，將文本中帶有“高”字的設(shè)置一個綠色，帶有“低”字的設(shè)置一個“紅色”，更方便我們識別。

至此，我們得到了這1w條數(shù)據(jù)下用戶的完整精細化分層，接下來，大家可以根據(jù)分層結(jié)果做相應(yīng)的運營策略具體開展執(zhí)行工作。

（7）根據(jù)用戶分層結(jié)果制定運營策略

制定運營策略既要結(jié)合各類用戶在產(chǎn)品中的占比，也要結(jié)合產(chǎn)品的實際業(yè)務(wù)邏輯。以此次某導(dǎo)購平臺用戶分層為例，制定如下策略：

有些小伙伴在制定策略時，直接甩上來一堆不能稱之為策略的“方案”，比如針對“重要發(fā)展用戶”，我給出的策略是“提升頻次”，所有圍繞提升頻次的手段都可以去嘗試，而不是上來就制定比如：發(fā)push、發(fā)券、打電話等方案，這些都是在策略支撐下的運營手段。策略本身一定是可以延伸和復(fù)制的。

除了上述根據(jù)用戶類別進行運營策略制定，我們還可以分析1w條數(shù)據(jù)中，R值分布、F值分布、M值分布，基于三個數(shù)值的分布以及和中值的比較，針對最近一次消費時間、消費頻次、消費金額維度下做整體的運營，提升站內(nèi)用戶整體活躍、整體流程、拉動GMV等。

整體來說，RFM模型不是很難，但是有一些需要注意的點：

1. 在抓取原始數(shù)據(jù)時，一定要結(jié)合實際業(yè)務(wù)來選取關(guān)鍵數(shù)據(jù)指標進行分析，而不是千篇一律的最近一次消費時間、消費頻次、消費金額。上文也給過豆瓣的案例，在豆瓣案例中，R=登錄數(shù)、F=發(fā)帖數(shù)、M=互動數(shù)。
2. 在定義R值、F值、M值的評估模型進行數(shù)據(jù)區(qū)間分隔時，也不是千篇一律的用本文說述的看整體趨勢，從而發(fā)現(xiàn)明顯斷檔的形式進行，也可以用散點圖、透視表、占比圖等進行判斷。同時，除了通過數(shù)據(jù)去發(fā)現(xiàn)斷檔，我們可以基于自己的業(yè)務(wù)和業(yè)內(nèi)的平均水平進行臨界點的發(fā)現(xiàn)。比如針對滴滴、易道這樣的打車軟件，使用頻次相對較高的肯定是工作日。所以，如果分析滴滴的業(yè)務(wù)，F(xiàn)值消費頻次的5個分檔可以基于實際業(yè)務(wù)，以每5天作為一檔，分析近30天內(nèi)的業(yè)務(wù)表現(xiàn)。比如F=1=5天以內(nèi)，F(xiàn)=2=6-10天，F(xiàn)=3=11-15天，F(xiàn)=4=16-20天，F(xiàn)=5=21-30天。然后將提取的每個用戶的消費頻次和這5個檔進行比較，確定每個用戶的F值
3. 對于中值的計算，最簡單的是本文所說的平均值計算方式。除了平均值，還有二八法則，20%的用戶創(chuàng)造了80%的收益，所以，可以將這個臨界點作為每個用戶R、F、M比較的對象。對于更加復(fù)雜的業(yè)務(wù)，可以尋求程序員協(xié)助，使用Means聚類算法進行精準取數(shù)。
4. 除了本文所說選取3個核心業(yè)務(wù)指標進行交叉分析，有些時候，我們可能需要同時分析4個、5個指標，或者只需要分析2個指標。所以，不需要很死板的使用本文的計算方法，要靈活變通，這里不再舉例。
5. 最終還是要回歸到運營上來，所以，針對不同分層用戶的運營策略的制定要結(jié)合實際，在制定了運營策略之后，結(jié)合公司現(xiàn)有資源和手段開展具體的落地工作。

對于本文的內(nèi)容，建議大家實操嘗試。

#專欄作家#

Chris，微信公眾號：產(chǎn)品運營（pm-2020），人人都是產(chǎn)品經(jīng)理專欄作家，關(guān)注在線教育、社交、電商并參與多個項目從0-1的搭建。轉(zhuǎn)型互聯(lián)網(wǎng)金融，負責信用卡和現(xiàn)金貸產(chǎn)品的全流程運營工作。熱愛將別人眼中“不值一提”的細節(jié)用文字呈現(xiàn)出來。

本文原創(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 Pixabay，基于 CC0 協(xié)議