如何進(jìn)行用戶分層,實(shí)現(xiàn)精細(xì)化運(yùn)營(yíng)?利用RFM用戶價(jià)值模型

66 評(píng)論 107705 瀏覽 646 收藏 16 分鐘

本文作者主要是分享一下RFM模型在用戶分層精細(xì)化運(yùn)營(yíng)領(lǐng)域的應(yīng)用方法和簡(jiǎn)單的實(shí)操案例。enjoy~

在用戶運(yùn)營(yíng)領(lǐng)域,有一個(gè)叫做RFM的詞,相信很多人看到過(guò),或許感覺(jué)比較專業(yè)就沒(méi)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?yàn)檫@個(gè)詞跟電商關(guān)系緊密,所以非電商的運(yùn)營(yíng)伙伴就選擇了放棄學(xué)習(xí)。

今天主要是分享一下RFM模型在用戶分層精細(xì)化運(yùn)營(yíng)領(lǐng)域的應(yīng)用方法和簡(jiǎn)單的實(shí)操案例。

RFM模型更上一級(jí)隸屬于用戶價(jià)值模型,在用戶價(jià)值模型中有兩個(gè)方向:

  • 一個(gè)是基于用戶生命周期,也就是時(shí)間和用戶在產(chǎn)品內(nèi)的成長(zhǎng)路徑進(jìn)行的生命周期模型的搭建
  • 另一個(gè)就是基于用戶關(guān)鍵行為進(jìn)行的RFM模型的搭建,本次只說(shuō)用戶價(jià)值模型中的RFM模型

RFM模型有哪些好處呢?當(dāng)我們確定了RFM模型之后,從而可以決定針對(duì)哪些用戶在發(fā)送短信時(shí),加上前綴“尊敬的VIP用戶”,哪些用戶加上前綴“好久不見(jiàn)”。也可以幫助企業(yè)判斷哪些用戶有異動(dòng),是否有流失的預(yù)兆,從而增加相應(yīng)的運(yùn)營(yíng)動(dòng)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(shuō)一下三個(gè)字母的意思:

  • R:最近一次消費(fèi)(recency),代表用戶距離當(dāng)前最后一次消費(fèi)的時(shí)間,當(dāng)然是最近一次消費(fèi)的時(shí)間距今越短越好,對(duì)我們來(lái)說(shuō)更有價(jià)值,更可能有效的去觸達(dá)他們。
  • F:消費(fèi)頻次(frequency),用戶在一段時(shí)間內(nèi),在產(chǎn)品內(nèi)的消費(fèi)頻次,重點(diǎn)是我們對(duì)一段時(shí)間的定義。
  • M:消費(fèi)金額(monetary),代表用戶的價(jià)值貢獻(xiàn)。

最早是將R、F、M每個(gè)方向定義5個(gè)檔,5*5*5=125種用戶分類,對(duì)大部分運(yùn)營(yíng)和產(chǎn)品來(lái)說(shuō),過(guò)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(wèn)題?,F(xiàn)在我們已經(jīng)把R、F、M每個(gè)方向定義為:高、低,兩個(gè)方向,我們找出R、F、M的中值,R=最近一次消費(fèi),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(duì)性的制定運(yùn)營(yíng)策略。

在做具體的RFM搭建之前,我再?gòu)?qiáng)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(dāng)前業(yè)務(wù)進(jìn)展的最為關(guān)鍵的幾個(gè)維度即可:

  • R:最近一次登錄時(shí)間、最近一次發(fā)帖時(shí)間、最近一次投資時(shí)間、最近一次觀看時(shí)間
  • F:瀏覽次數(shù)、發(fā)帖次數(shù)、評(píng)論次數(shù)
  • M:充值金額、打賞金額、評(píng)論數(shù)、點(diǎn)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(shí)際業(yè)務(wù)情況進(jìn)行評(píng)估。比如你是豆瓣的運(yùn)營(yíng)負(fù)責(zé)人,發(fā)現(xiàn)過(guò)去一周,豆瓣圖書版塊的整體流量下降10%,同時(shí),文學(xué)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(duì)應(yīng)R、F、M的字段分別為:登錄數(shù)、發(fā)帖數(shù)、互動(dòng)數(shù)。

  • 圖書版塊整體流量下降,可以理解為這個(gè)版塊的活躍下降,可以看下過(guò)去一周的登錄數(shù)。
  • 文學(xué)書籍類別下的分享帖下降5%,可以看下過(guò)去一周的發(fā)帖數(shù)。
  • 同時(shí),流量下降,我們可以看下是否因?yàn)樘淤|(zhì)量相對(duì)下降,導(dǎo)致用戶的互動(dòng)(評(píng)論、收藏等)下降,進(jìn)而導(dǎo)致流量下降。

下面我以自己抓取的1w條某導(dǎo)購(gòu)平臺(tái)的一套數(shù)據(jù)為例,帶大家使用最簡(jiǎn)單的方法,進(jìn)行這套數(shù)據(jù)中用戶RFM模型的搭建,找出這8個(gè)類別的用戶。

RFM模型搭建步驟如下:

  • 抓取R、F、M三個(gè)維度下的原始數(shù)據(jù)
  • 定義R、F、M的評(píng)估模型與中值
  • 進(jìn)行數(shù)據(jù)處理,獲取R、F、M的值
  • 參照評(píng)估模型與中值,對(duì)用戶進(jìn)行分層
  • 針對(duì)不同層級(jí)用戶指定運(yùn)營(yíng)策略

(1)抓取R、F、M三個(gè)維度下的原始數(shù)據(jù),我抓取是最近一次消費(fèi)時(shí)間、消費(fèi)頻次、消費(fèi)金額。上文已經(jīng)說(shuō)過(guò),在做各自業(yè)務(wù)分析時(shí),可以根據(jù)實(shí)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(jìn)行展示:

(2)我將1w條數(shù)據(jù)的最近一次消費(fèi)時(shí)間、消費(fèi)頻次、消費(fèi)金額分別用占比趨勢(shì)圖進(jìn)行處理,以消費(fèi)頻次為例,如下圖:

大家通過(guò)圖表,可以看出1w條數(shù)據(jù)中,關(guān)于消費(fèi)頻次出現(xiàn)了幾個(gè)比較明顯的斷檔,分別是:消費(fèi)1次、消費(fèi)2-5次、消費(fèi)6-11次、消費(fèi)12-17次、消費(fèi)18次以上。所以,我把F值分為5檔,F(xiàn)=1=消費(fèi)1次,F(xiàn)=2=消費(fèi)2-5次,F(xiàn)=3=消費(fèi)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(dāng)分別對(duì)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(gè)數(shù)據(jù)指標(biāo)下的分檔標(biāo)準(zhǔn):

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

(3)計(jì)算1w條數(shù)據(jù),每條數(shù)據(jù)下最近一次消費(fèi)時(shí)間、消費(fèi)頻次、消費(fèi)金額對(duì)應(yīng)的R、F、M值:

上圖的計(jì)算方式比較簡(jiǎn)單,我們?cè)趀xcel中寫入if語(yǔ)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(duì)應(yīng)的R值=5,否則進(jìn)入下一個(gè)if判斷;
  • 如果B2大于15,則A1用戶對(duì)應(yīng)的R值=4,否則進(jìn)入下一個(gè)if判斷;
  • 如果B2大于9,則A1用戶對(duì)應(yīng)的R值=3,否則進(jìn)入下一個(gè)if判斷;
  • 如果B2大于3,則A1用戶對(duì)應(yīng)的R值=2,否則進(jìn)入下一個(gè)if盤點(diǎn)。

計(jì)算F值和M值的方式一樣。

(4)計(jì)算R、F、M的平均值,這一點(diǎn)大家應(yīng)該都會(huì),直接求和再除以項(xiàng)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(gè)用戶的R值、F值、M值和平均值進(jìn)行比較,高于平均值則標(biāo)記為高,低于平均值則標(biāo)記為低:

比較高低值,使用一個(gè)簡(jiǎn)單的if語(yǔ)句:

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

(6)將每個(gè)用戶的R、F、M值與中值分別進(jìn)行比較,得出用戶所屬類別表:每個(gè)用戶的R值、F值、M值與中值進(jìn)行比較,判斷高或者低,進(jìn)而確定用戶屬于上文所說(shuō)RFM模型8類用戶中的哪一類,這里需要用到一個(gè)簡(jiǎn)單的if語(yǔ)句進(jìn)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(jià)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(jià)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(shí),我們點(diǎn)擊excel中的“條件格式”,將文本中帶有“高”字的設(shè)置一個(gè)綠色,帶有“低”字的設(shè)置一個(gè)“紅色”,更方便我們識(shí)別。

至此,我們得到了這1w條數(shù)據(jù)下用戶的完整精細(xì)化分層,接下來(lái),大家可以根據(jù)分層結(jié)果做相應(yīng)的運(yùn)營(yíng)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(yùn)營(yíng)策略

制定運(yùn)營(yíng)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(shí)際業(yè)務(wù)邏輯。以此次某導(dǎo)購(gòu)平臺(tái)用戶分層為例,制定如下策略:

有些小伙伴在制定策略時(shí),直接甩上來(lái)一堆不能稱之為策略的“方案”,比如針對(duì)“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(lái)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(yùn)營(yíng)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(jìn)行運(yùn)營(yíng)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(gè)數(shù)值的分布以及和中值的比較,針對(duì)最近一次消費(fèi)時(shí)間、消費(fèi)頻次、消費(fèi)金額維度下做整體的運(yùn)營(yíng),提升站內(nèi)用戶整體活躍、整體流程、拉動(dòng)GMV等。

整體來(lái)說(shuō),RFM模型不是很難,但是有一些需要注意的點(diǎn):

  1. 在抓取原始數(shù)據(jù)時(shí),一定要結(jié)合實(shí)際業(yè)務(wù)來(lái)選取關(guān)鍵數(shù)據(jù)指標(biāo)進(jìn)行分析,而不是千篇一律的最近一次消費(fèi)時(shí)間、消費(fèi)頻次、消費(fèi)金額。上文也給過(guò)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(dòng)數(shù)。
  2. 在定義R值、F值、M值的評(píng)估模型進(jìn)行數(shù)據(jù)區(qū)間分隔時(shí),也不是千篇一律的用本文說(shuō)述的看整體趨勢(shì),從而發(fā)現(xiàn)明顯斷檔的形式進(jìn)行,也可以用散點(diǎn)圖、透視表、占比圖等進(jìn)行判斷。同時(shí),除了通過(guò)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(jìn)行臨界點(diǎn)的發(fā)現(xiàn)。比如針對(duì)滴滴、易道這樣的打車軟件,使用頻次相對(duì)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(fèi)頻次的5個(gè)分檔可以基于實(shí)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(gè)用戶的消費(fèi)頻次和這5個(gè)檔進(jìn)行比較,確定每個(gè)用戶的F值
  3. 對(duì)于中值的計(jì)算,最簡(jiǎn)單的是本文所說(shuō)的平均值計(jì)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(gè)臨界點(diǎn)作為每個(gè)用戶R、F、M比較的對(duì)象。對(duì)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(jìn)行精準(zhǔn)取數(shù)。
  4. 除了本文所說(shuō)選取3個(gè)核心業(yè)務(wù)指標(biāo)進(jìn)行交叉分析,有些時(shí)候,我們可能需要同時(shí)分析4個(gè)、5個(gè)指標(biāo),或者只需要分析2個(gè)指標(biāo)。所以,不需要很死板的使用本文的計(jì)算方法,要靈活變通,這里不再舉例。
  5. 最終還是要回歸到運(yùn)營(yíng)上來(lái),所以,針對(duì)不同分層用戶的運(yùn)營(yíng)策略的制定要結(jié)合實(shí)際,在制定了運(yùn)營(yíng)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(duì)于本文的內(nèi)容,建議大家實(shí)操嘗試。

#專欄作家#

Chris,微信公眾號(hào):產(chǎn)品運(yùn)營(yíng)(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(gè)項(xiàng)目從0-1的搭建。轉(zhuǎn)型互聯(lián)網(wǎng)金融,負(fù)責(zé)信用卡和現(xiàn)金貸產(chǎn)品的全流程運(yùn)營(yíng)工作。熱愛(ài)將別人眼中“不值一提”的細(xì)節(jié)用文字呈現(xiàn)出來(lái)。

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(lái)自 Pixabay,基于 CC0 協(xié)議

更多精彩內(nèi)容,請(qǐng)關(guān)注人人都是產(chǎn)品經(jīng)理微信公眾號(hào)或下載App
評(píng)論
評(píng)論請(qǐng)登錄
  1. 你多篇文章的數(shù)據(jù),表格,案例都一模一樣,怎么連案例都撞上了?

    來(lái)自江蘇 回復(fù)
    1. 我不清楚你這么著急開噴的目的,我其實(shí)也不必要回復(fù),畢竟是一篇寫了快2年的文章,而且現(xiàn)在網(wǎng)絡(luò)上運(yùn)營(yíng)課程這么多,學(xué)習(xí)了課程的人,不管實(shí)際工作中有沒(méi)有掌握模型的實(shí)操方法,都喜歡寫一寫,到處發(fā)一發(fā)。所以,如果你喜歡鑒別真假,可以像我上一條所說(shuō),去網(wǎng)絡(luò)上搜索一下,我相信你半個(gè)月都噴不完。

      回復(fù)
    2. 另外,同學(xué),我其實(shí)也想問(wèn)你一個(gè)問(wèn)題,比如hook模型,如果有一天你上了某個(gè)老師的課程,了解到這個(gè)模型后,再在其它任何網(wǎng)站上看到這個(gè)模型的文章,是不是都認(rèn)為是抄襲老師的課程?先入為主的思想會(huì)對(duì)你自己發(fā)展不利。模型是公開可用的,如果是某個(gè)老師自己的一套方法,那我一定不會(huì)去寫。

      回復(fù)
    3. 模型方法一樣當(dāng)然沒(méi)有問(wèn)題,你用的案例數(shù)據(jù)都是別人付費(fèi)課程里的內(nèi)容,一模一樣,而且是遠(yuǎn)不止這一篇是多篇文章。我在開噴前當(dāng)然有搜索過(guò),我也不想誤傷別人,但搜來(lái)搜去都是你這邊在各個(gè)平臺(tái)發(fā)的文章,還真就你一個(gè)人這么抄襲別人。難道按你的邏輯,網(wǎng)絡(luò)上別人也抄我就不應(yīng)該大驚小怪你就沒(méi)有問(wèn)題?

      來(lái)自上海 回復(fù)
    4. 模型方法一樣當(dāng)然沒(méi)有問(wèn)題,你用的案例數(shù)據(jù)都是別人付費(fèi)課程里的內(nèi)容,一模一樣,而且是遠(yuǎn)不止這一篇是多篇文章。我在開噴前當(dāng)然有搜索過(guò),我也不想誤傷別人,但搜來(lái)搜去都是你這邊在各個(gè)平臺(tái)發(fā)的文章,還真就你一個(gè)人這么抄襲別人。難道按你的邏輯,網(wǎng)絡(luò)上別人也抄我就不應(yīng)該大驚小怪你就沒(méi)有問(wèn)題?。。

      來(lái)自上海 回復(fù)
  2. 非原創(chuàng)要臉?你的很多篇文章都是張亮課程里的內(nèi)容,不標(biāo)明出處簡(jiǎn)直了,哪里原創(chuàng)了????

    來(lái)自江蘇 回復(fù)
    1. 朋友,看你這么著急連續(xù)評(píng)論,我的郵箱不斷收到通知,我回復(fù)你一下,幫你平復(fù)下情緒。
      1、如果你是資深運(yùn)營(yíng),應(yīng)該了解RFM模型很早就有,非現(xiàn)在的運(yùn)營(yíng)從業(yè)者所創(chuàng)。
      2、本文寫于2018年
      3、張亮老師,我有他微信,看過(guò)他的書,很欽佩。但我并未上過(guò)他的任何課程。
      4、本文的圖片,第一張,模型圖片,所有說(shuō)到這個(gè)模型的內(nèi)容大都是這張圖。第二張,我自己做的圖,這個(gè)模型分8層,標(biāo)準(zhǔn)化內(nèi)容,沒(méi)什么可創(chuàng)新的。第三張到第八張,你說(shuō)數(shù)據(jù)、案例一摸一樣,請(qǐng)你找出來(lái),我感謝你。剩下的圖片,均是基于上述數(shù)據(jù)表格的可視化分析。
      5、如果你只喜歡逛人人都是產(chǎn)品經(jīng)理,那我建議你網(wǎng)絡(luò)上搜索下“RFM模型用戶分層”的文章,遍地都是。

      回復(fù)
  3. 如果B2大于9,則A1用戶對(duì)應(yīng)的R值=3,否則進(jìn)入下一個(gè)if判斷;
    如果B2大于3,則A1用戶對(duì)應(yīng)的R值=2,否則進(jìn)入下一個(gè)if盤點(diǎn)。

    那么B2等于9,則A1用戶是不是應(yīng)該是2。我看表格標(biāo)的是3. ??

    來(lái)自北京 回復(fù)
  4. 作者R值的邏輯,前后有矛盾。重要價(jià)值用戶的R值明明是越低越好,你自己在中間部分也強(qiáng)調(diào)了“(R值時(shí)反向值,R值越大,用戶價(jià)值越低;)”到最后卻又變成了RFM三高才是重要價(jià)值用戶。很明顯重要價(jià)值用戶應(yīng)該是R低F高M(jìn)高

    來(lái)自四川 回復(fù)
    1. 是的沒(méi)錯(cuò)

      來(lái)自廣東 回復(fù)
  5. 我是**嗎 ?我沒(méi)看懂表格。。。

    來(lái)自上海 回復(fù)
  6. 2的R值低于2.9,是因?yàn)镽值是反向的么?

    來(lái)自廣東 回復(fù)
    1. 反向安排,R值越低越好,F(xiàn)M值越高越高

      來(lái)自北京 回復(fù)
  7. 非常感謝,這篇文章詳細(xì)理清楚了RFM關(guān)于用戶價(jià)值分層的應(yīng)用,不過(guò)文章中有個(gè)疑問(wèn):示例中只是將每個(gè)維度分成高低,直接對(duì)對(duì)應(yīng)數(shù)值進(jìn)行平均后比對(duì)即可,為何前面還需要多一分5個(gè)區(qū)間再取值的步驟?

    來(lái)自廣東 回復(fù)
    1. 個(gè)人理解是避免極大值或極小值的影響吧

      來(lái)自浙江 回復(fù)
  8. E2的R值低于2.9阿,為什么還是高?

    來(lái)自浙江 回復(fù)
    1. 因?yàn)槭欠吹?/p>

      來(lái)自北京 回復(fù)
  9. 如果一個(gè)數(shù)剛好等于平均值怎么辦?是高還是低呢?

    來(lái)自浙江 回復(fù)
    1. 缺少等于

      來(lái)自北京 回復(fù)
  10. 既然把R、F、M每個(gè)方向定義為:高、低,兩個(gè)方向,我們找出R、F、M原始數(shù)據(jù)的中值不就可以劃分出高低了嗎?為什么還要先劃分5個(gè)區(qū)間以后再找出中值劃分高低?

    來(lái)自上海 回復(fù)
    1. 是為了用戶分層,盡可能的分層。只劃分高低沒(méi)有意義

      來(lái)自北京 回復(fù)
  11. 很實(shí)用的文章,想問(wèn)一下占比趨勢(shì)圖是用什么方式生成的

    來(lái)自上海 回復(fù)
  12. 一篇從理論到實(shí)踐良心文章啊,看完以后恍然大悟,終于可以實(shí)操一次了

    來(lái)自北京 回復(fù)
  13. 非常受益!現(xiàn)在就著手分析客戶數(shù)據(jù)。
    想請(qǐng)教下那個(gè)用戶占比趨勢(shì)圖的Y軸數(shù)據(jù)是什么?怎么出來(lái)的百分比?謝謝

    來(lái)自荷蘭 回復(fù)
  14. 十分感謝分享~~~~~期待更多您的文章

    來(lái)自北京 回復(fù)
  15. 很清晰,感謝~

    來(lái)自北京 回復(fù)
  16. 老師你好,請(qǐng)教一個(gè)問(wèn)題,目前在函數(shù)這里卡起了,由于我的R值只有3個(gè)等級(jí),函數(shù)我是這樣設(shè)置的H8=if(E8>17,3,if(E8>6,2,if(E8>2,1))))),無(wú)法計(jì)算出結(jié)果,請(qǐng)問(wèn)函數(shù)是寫對(duì)了嗎?

    來(lái)自福建 回復(fù)
    1. 你這個(gè)函數(shù)其實(shí)是分了四個(gè)等級(jí),最后一個(gè)其實(shí)還隱含了≤2的情況

      來(lái)自湖南 回復(fù)
    2. 能說(shuō)下如何寫嗎?又試了很多次還是不行,對(duì)函數(shù)實(shí)在不太懂 ??

      來(lái)自福建 回復(fù)
  17. 看懂了,只是對(duì)表格函數(shù)太弱了,不過(guò)對(duì)用戶分層運(yùn)營(yíng)終于理解了,為了加深印象,決定著手寫一篇,并找機(jī)會(huì)在工作中實(shí)踐。

    回復(fù)
  18. 思路都是相近的,感覺(jué)這里面的數(shù)據(jù)有問(wèn)題,懷疑原創(chuàng)性。

    來(lái)自浙江 回復(fù)
  19. 弱弱地問(wèn)一句,H2(R值)=if(E2<2.9,“低“,”高”),R的高低值算反了嗎? ?? 還是說(shuō)要把R的分檔標(biāo)準(zhǔn)的順序反一下?

    來(lái)自上海 回復(fù)
    1. 反了,這個(gè)應(yīng)該是 大于

      來(lái)自北京 回復(fù)
  20. 真的是干貨,很干很有料!拜服!期待作者有更多這樣的高能產(chǎn)出!

    來(lái)自上海 回復(fù)
  21. 請(qǐng)問(wèn)怎么對(duì)在線教育K12用戶的核心指標(biāo)進(jìn)行定義呢

    來(lái)自廣東 回復(fù)
  22. 請(qǐng)問(wèn)您文章中舉例提到的最近一次消費(fèi)時(shí)間,表格里的數(shù)字都是整數(shù),這個(gè)是怎么取數(shù)的 不應(yīng)該是具體時(shí)間么

    來(lái)自北京 回復(fù)
    1. 截取1萬(wàn)個(gè)用戶的行為時(shí)間周期,取數(shù)是該用戶消費(fèi)最后一次距離你統(tǒng)計(jì)這一刻的距離天數(shù)的數(shù)值

      回復(fù)
  23. rfm現(xiàn)在更多算是一種思維模式,做方法論有很多局限性,畢竟這個(gè)簡(jiǎn)易模型起源于傳統(tǒng)行業(yè)

    回復(fù)
  24. 你好,文章很受益,有個(gè)小細(xì)節(jié)請(qǐng)教。 滴滴那個(gè)例子,平時(shí)和周末有明顯的頻次區(qū)別,那周期間隔為什么不是7天,而是5天?

    來(lái)自上海 回復(fù)
    1. 抱歉,這個(gè)小細(xì)節(jié)有問(wèn)題 ?? 你理解的是對(duì)的。

      來(lái)自廣東 回復(fù)
    2. 間隔是7天的話,應(yīng)該怎么劃分?

      來(lái)自上海 回復(fù)
  25. 舉得例子非常實(shí)用,終于知道RFM模型怎么使用了,感謝

    來(lái)自北京 回復(fù)
    1. 不客氣,加油~

      來(lái)自廣東 回復(fù)
  26. 請(qǐng)問(wèn)下不適用的情況有哪些?

    來(lái)自廣東 回復(fù)
    1. 這個(gè)問(wèn)題太大了,有很多不適用的情況,只能說(shuō)靈活變通了,比如針對(duì)只有兩個(gè)維度的業(yè)務(wù),就可以在現(xiàn)有的RFM模型上已經(jīng)變形,進(jìn)行兩個(gè)維度下的分析。

      來(lái)自廣東 回復(fù)
  27. H2函數(shù)公式寫錯(cuò)了吧

    回復(fù)
    1. 哪里,可以指出哈

      回復(fù)
  28. 怎么對(duì)視頻網(wǎng)站會(huì)員的核心指標(biāo)進(jìn)行定義呢

    回復(fù)
    1. 這個(gè)要根據(jù)你們的實(shí)際情況做分析,一般情況下,視頻網(wǎng)站可以考慮最近觀看的時(shí)間、觀看市場(chǎng)、互動(dòng)情況(收藏、分享、評(píng)論)、付費(fèi)情況等。

      來(lái)自廣東 回復(fù)
    2. 是否可以將付費(fèi)和非付費(fèi)用戶進(jìn)行區(qū)分,用兩張表格呈現(xiàn),針對(duì)付費(fèi)和非付費(fèi)中不同等級(jí)的用戶,制定不同的策略。

      來(lái)自上海 回復(fù)
  29. Rfm 模型建立的用戶分層機(jī)制確實(shí)是一個(gè)基礎(chǔ),但還是有一些運(yùn)營(yíng)指標(biāo)變動(dòng)而無(wú)法解釋的情況,感覺(jué)還是去玩繼續(xù)細(xì)分畫像緯度找到差異點(diǎn)

    回復(fù)
    1. “去玩繼續(xù)細(xì)分畫像維度”這個(gè)不太明白。文章說(shuō)了,RFM模型是用戶價(jià)值模型的一種方式,還有生命周期、金字塔、AARRR、用戶個(gè)性化特征/需求模型等,這些不是生搬硬套,文章也說(shuō)了,模型不生效,就考慮交叉維度分析,靈活變通即可。

      來(lái)自廣東 回復(fù)
  30. 你這篇是抄襲的致遠(yuǎn)的《如何成為運(yùn)營(yíng)大?!废盗?,真無(wú)恥

    來(lái)自北京 回復(fù)
    1. 我不知道你是否了解RFM的起源,如果了解的話,你會(huì)發(fā)現(xiàn),目前互聯(lián)網(wǎng)上散布的所有RFM相關(guān)的文章、教學(xué)視頻都是在起源基礎(chǔ)上換著法的表達(dá)。RFM的三個(gè)字母的意思、四維立體象限、八分方向的用戶分層,這些都是前人定下的,我是沒(méi)法去改變的,你去搜索RFM的圖片,能看到的就是這樣的,你看其他人的文章的圖片也是這樣的,每個(gè)人都一樣。我們沒(méi)必要在一些基礎(chǔ)的內(nèi)容上浪費(fèi)太多時(shí)間,就像做語(yǔ)音識(shí)別的公司會(huì)直接接入科大訊飛的API一樣。但大部分文章表達(dá)的是什么?是介紹RFM為何物,不知道實(shí)際中怎樣操作,不知道RFM模型的使用操作流程。致遠(yuǎn)的文章我看過(guò),其它很多人的文章我都看過(guò),所以才會(huì)有開頭那句:“在用戶運(yùn)營(yíng)領(lǐng)域,有一個(gè)叫做RFM的詞,相信很多人看到過(guò),或許感覺(jué)比較專業(yè)就沒(méi)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?yàn)檫@個(gè)詞跟電商關(guān)系緊密,所以非電商的運(yùn)營(yíng)伙伴就選擇了放棄學(xué)習(xí)?!?/p>

      我寫的這篇文章核心的是什么?是我對(duì)大家在使用RFM過(guò)程中要注意點(diǎn)的總結(jié);是我舉例告訴大家RFM不僅可以適用于電商,其它業(yè)務(wù)模式中也可使用;是我告訴了大家RFM模型正確的使用流程。關(guān)于你說(shuō)我抄襲,我能看出來(lái)的就是在Excel中的那些計(jì)算公式,我想請(qǐng)問(wèn),你平時(shí)每天在用的求和、平均值,是不是都算抄襲了?我原本就是為了避嫌,不想把公式寫出來(lái)的,因?yàn)楣绞鞘褂肦FM中最不重要的部分,最重要的是思想,是怎樣選取源數(shù)據(jù)、怎樣確定評(píng)估模型和中值。沒(méi)想到還是被人詬病。

      RFM模型你去網(wǎng)上搜一下,能看到的就是四維立體象限圖、看到的就是八個(gè)方向的用戶分層,這個(gè)不是我們現(xiàn)在寫文章的誰(shuí)發(fā)明的,我也沒(méi)必要為了避開什么,非要表格做的不一樣,表頭換個(gè)顏色,沒(méi)必要。

      人人都是產(chǎn)品經(jīng)理網(wǎng)站審核通過(guò),就表示了這一點(diǎn),我自覺(jué)沒(méi)問(wèn)題,祝你進(jìn)步。

      來(lái)自廣東 回復(fù)
    2. 有沒(méi)有專門講用戶各種模型的書籍?求推薦,現(xiàn)在對(duì)用戶還無(wú)法形成系統(tǒng)的架構(gòu)

      回復(fù)
    3. 不用在意,網(wǎng)絡(luò)噴子太多;本文重在結(jié)合具體案例的實(shí)踐

      來(lái)自陜西 回復(fù)
    4. 支持你,你寫的很好,表達(dá)自己的觀點(diǎn),分享自己的經(jīng)驗(yàn),不必在意每個(gè)人的不同的眼光!問(wèn)心無(wú)愧即好。

      來(lái)自上海 回復(fù)
    5. 你多篇文章的數(shù)據(jù),表格,案例都一模一樣,怎么連案例都撞上了?

      來(lái)自江蘇 回復(fù)
    6. 這篇的RFM和致遠(yuǎn)的不算抄襲,另外,要尊重作者。

      來(lái)自北京 回復(fù)