上篇文章介紹了用戶體系搭建的思路，這里單獨開篇給大家介紹如何量化用戶價值。

在拓展市場初期沒有思路的時候，市場和運營同事絞盡腦汁做活動、上新品、蹭熱點、做營銷，不斷的拓展客戶、做回訪維系客戶感情，除了少數(shù)運氣好的之外，大部分效果寥寥。真正的用戶沒有幾個，到最后都便宜了羊毛黨。不同階段、不同類型的用戶需求點不同，有的客戶圖便宜，有的客戶看新品，有的客戶重服務(wù)，大包大攬的營銷運營，最后的結(jié)果就是涼涼。

解決得分方法也很簡單，就是用戶精細化運營，通過各類運營手段提高不同類型的用戶在產(chǎn)品中的活躍度、留存率和付費率。而如何將用戶從一個整體拆分成特征明顯的群體決定了運營的成敗。這里介紹一個最經(jīng)典的用戶分群工具就是RFM模型。RFM模型是衡量用戶價值和用戶創(chuàng)利能力的經(jīng)典工具，依托于用戶最近一次購買時間、消費頻次以及消費金額。

在應(yīng)用RFM模型時，要有用戶最基礎(chǔ)的交易數(shù)據(jù)，至少包含用戶ID，交易金額，交易時間三個字段。

RFM的含義：

• R（Recency）最近一次消費時間：表示用戶最近一次消費距離現(xiàn)在的時間。消費時間越近的客戶價值越大。1年前消費過的用戶肯定沒有1周前消費過的用戶價值大。
• F（Frequency）消費頻率：消費頻率是指用戶在統(tǒng)計周期內(nèi)購買商品的次數(shù)，經(jīng)常購買的用戶也就是熟客，價值肯定比偶爾來一次的客戶價值大。
• M（Monetary）消費金額：消費金額是指用戶在統(tǒng)計周期內(nèi)消費的總金額，體現(xiàn)了消費者為企業(yè)創(chuàng)利的多少，自然是消費越多的用戶價值越大。

基于這三個維度，將每個維度分為高低兩種情況，我們構(gòu)建出了一個三維的坐標系。

（來源自網(wǎng)絡(luò)）

通過圖表很直觀的發(fā)現(xiàn)，我們把客戶分為了2的三次方也就是8個群體。

如果某個用戶最近一次消費時間距今比較久遠，沒有再消費了，但是累計消費金額和消費頻次都很高，說明這個用戶曾經(jīng)很有價值也就是RFM模型中的重要保持客戶，我們不希望他流失，所以運營人員就會專門針對這類型用戶設(shè)計召回策略，這也就是RFM模型的核心價值。

當然這里有個默認前提：

• 最近有過交易行為的客戶，二次發(fā)生交易的可能性要高于最近沒有交易行為的客戶；
• 交易頻率較高的客戶比交易頻率較低的客戶，更有可能發(fā)生二次交易；
• 過去所有交易總金額較多的客戶，比交易總金額較少的客戶，更有可能發(fā)生二次交易。

舉例來說明：

以下是模擬我近一年的消費行為（腦海中蹦出了一年逛兩次海瀾之家…）：

假設(shè)當前統(tǒng)計時間為2019年12月31日，經(jīng)過簡單的統(tǒng)計計算可得：

• R值?=?12月31日?–?11月11日?=?50；
• F值?=?計數(shù)消費次數(shù)?=?4；
• M值?=?1200+300+900+2000?=?4400；

這里會遇到第一個問題：

R值最近一次消費時間表示用戶最近一次消費距離現(xiàn)在的時間，消費時間越近的客戶價值越大。以上方式計算出的R值越大說明當前用戶最近一次消費時間越遠用戶價值越小，而F值還有M值越大代表用戶價值越大，三組數(shù)據(jù)不在同一個描述維度，而且R值、F值、M值存在量級之間的差距，無法直觀的通過加減來衡量用戶價值。

這里有兩種處理辦法分別是評分方式和算法。

評分方式

評分方式是根據(jù)三組數(shù)據(jù)各個值的特性，采用5分制為各個數(shù)據(jù)賦予一個評分值，R值的評分機制是R值越大，評分越小。具體評分的規(guī)則可以根據(jù)經(jīng)驗設(shè)定分值的給予區(qū)間，或者將數(shù)據(jù)平均分配成為5組，對應(yīng)5個分值。

在基于三組數(shù)據(jù)對應(yīng)的評分值來計算評分值的平均數(shù)，大于等于平均數(shù)的數(shù)據(jù)劃到高的維度，低于平均數(shù)的數(shù)據(jù)劃到低的維度，自然將三組數(shù)據(jù)每組分別劃分為高低兩組，交叉組合后就是我們上面說過的8種情況。然后在將三組數(shù)據(jù)對應(yīng)的評分值做累加就是RFM總值了。

評分機制的優(yōu)勢

計算RFM總值時解決了不同量級數(shù)據(jù)相加時影響權(quán)重不均衡的問題。由于用戶的交易行為中R值和F值相對較小，如果三個值不處理就累加，M值直接決定了總值的量級，R值、F值對總值的影響很小，無法體現(xiàn)出用戶的真實價值。

同樣以剛剛的數(shù)據(jù)為例：RFM總值 = 50+4+4400= 4454

可見M值4400直接決定了最后計算結(jié)果的量級，前面R值、F值對結(jié)果的影響基本忽略不計。采用評分制的方法后，將R、F、M值都映射到了1至5的區(qū)間之內(nèi)，保證了各數(shù)據(jù)之間的可比性。

評分制的劣勢

賦值指標的設(shè)定需要資深的業(yè)務(wù)經(jīng)驗，什么樣的算高頻，什么樣的算高額都是經(jīng)驗，并且用戶的消費數(shù)據(jù)是不斷膨脹的，根據(jù)手動設(shè)定的劃分區(qū)間無法隨著數(shù)據(jù)的不斷膨脹而自動適配，所以需要根據(jù)經(jīng)驗和數(shù)據(jù)反饋不斷修正。

算法方式

算法方式是根據(jù)數(shù)據(jù)特性將數(shù)據(jù)基于模型處理后量化用戶價值，分劃分高低維度、量化用戶價值兩步。

第一步：劃分高低維度

根據(jù)數(shù)據(jù)分布情況將數(shù)據(jù)分為高低兩組，這里區(qū)分的方式一般采用四分位數(shù)（將一組數(shù)據(jù)由小到大排列并分成四等份，處于三個分割點位置的數(shù)值就是四分位數(shù)。處于正中位置的數(shù)字就叫做中位數(shù)，如果數(shù)組個數(shù)為奇數(shù)個，則中位數(shù)為排序后中間的一個數(shù)，如果數(shù)組個數(shù)為偶數(shù)個，則中位數(shù)為排序后中間兩個數(shù)的平均數(shù)。），而不是評分制的平均數(shù)。

分位數(shù)相對于平均數(shù)應(yīng)用場景更廣，由于大部分數(shù)據(jù)都呈現(xiàn)長尾分布，80%甚至90%以上都集中在低頻低額區(qū)間，少數(shù)的用戶提供了大部分銷售，采用平均數(shù)無法很好的體現(xiàn)數(shù)組的特性，長尾用戶很容易被平均，

下面舉個例子：土豪身價2個億，屌絲產(chǎn)品經(jīng)理身價20萬，兩人平均后，平均身價1個億……

例子并不恰當，但是能看出在數(shù)據(jù)呈現(xiàn)長尾分布的場景中，平均數(shù)在很多場景并不合適，而采用四分位數(shù)時，可以根據(jù)數(shù)據(jù)分布情況，選擇中位數(shù)、四分之一位數(shù)或者四分之三位數(shù)，然后高于則劃分為高緯度，低于則劃分為低緯度。

這里有一點需要注意！

由于R值的大小和用戶價值呈現(xiàn)反比，所以高于分位數(shù)的時候算低緯度，低于分位數(shù)時算高緯度。

第二步：量化用戶價值

首先解決R、F、M三值量級不均衡的問題，然后計算RFM總值量化用戶價值。可將三組數(shù)據(jù)分別無量綱化處理映射至0到1的區(qū)間在合理放大然后相加。很多同學一聽到算法就暈了，我挑選了這個方法中最簡單的一種，只用到了我們初中所學的數(shù)學，邏輯非常簡單，下面我為大家介紹min-max歸一化。

min-max歸一化

先貼公式：

上式中，min是數(shù)組中的最小值，max是數(shù)組中的最大值。只要將數(shù)組中的數(shù)據(jù)依次經(jīng)過上述公式處理，最后發(fā)現(xiàn)原數(shù)組收斂到了0至1的區(qū)間之內(nèi)，是不是很簡單。

下面是我隨機生成的一組數(shù)據(jù)為大家示例：

第一組源數(shù)據(jù)經(jīng)過無量綱化處理后收斂至了0到1區(qū)間之內(nèi)，可將不同量級的數(shù)據(jù)歸一化至同一量級，歸一化后的數(shù)據(jù)是一個位數(shù)極多的小數(shù)，而一般用戶對于極小數(shù)和極大數(shù)沒有直觀的感受。

所以這里我把所有的數(shù)據(jù)同比放大了100倍，將源數(shù)據(jù)擴大到了0至100的區(qū)間，同時做了四舍五入，讓數(shù)據(jù)可讀性更強。經(jīng)過這樣的處理就將數(shù)據(jù)從原來不同量級無法直觀對比，歸一化到了0至100的區(qū)間，方便大家直觀計算RFM總值。

最后計算RFM總值的公式如下：RFM總值?=?R值*（-1）+F值+M值+100；

公式中同樣為了解決R值同F(xiàn)、M值統(tǒng)計維度不一樣的問題，這里給R值乘以了負1，同時為了保證數(shù)據(jù)結(jié)果不會出現(xiàn)負數(shù)，又在最后加了100。這樣處理之后保證最后的RFM總值落在了0至400的區(qū)間之內(nèi)，讓大家可以通過分值很直觀的量化用戶價值。

總之，RFM最終的目的就是幫助業(yè)務(wù)提高運營效率和產(chǎn)出價值，上述介紹了兩種方法，一種通過經(jīng)驗人工劃分出用戶群體，一種通過數(shù)據(jù)挖掘，給與業(yè)務(wù)運營建議。

具體的業(yè)務(wù)應(yīng)用場景還是以淘氣值為例（均為個人猜想，如果哪里說得不對，還請留言告知，謝謝）。

• 購物分：是近12個月購買金額的綜合分值。每一筆訂單、每日、每月、每一類商品、每一個店鋪，可獲得的最高可得分都不同，另外，購買更多種類的、高信譽商家的商品可以得到更多分；
• 獎勵分：獎勵分是近12個月內(nèi)購買的商品類目數(shù)，反映真實消費體驗的文字評價、帶圖評價、追評、分享被點擊數(shù)、問大家參與次數(shù)、購買成交天數(shù)、連續(xù)購買月數(shù)的綜合分值。獎勵分受購物分正向影響，購物分越高，獎勵分越高；
• 基礎(chǔ)分：基礎(chǔ)分由當前信譽等級決定。信譽等級越高，基礎(chǔ)分越高，并且可得購物分和獎勵分的分數(shù)越高。

購物分圍繞著用戶的近12個月消費記錄，獎勵分則是圍繞著用戶的實際互動行為，包括評價、分享、參與次數(shù)等。這里特別強調(diào)一點RFM模型不僅僅針對消費數(shù)據(jù)，可以試試其他新的花樣，比如：

• 互動行為：最近一次互動時間、互動頻次、用戶的互動次數(shù)；
• 直播行為：最近一次觀看直播時間、直播觀看頻次、觀看直播累計時長；
• 內(nèi)容行為：最近一次觀看內(nèi)容時間、觀看內(nèi)容頻次、觀看內(nèi)容字數(shù)；
• 評論行為：最近一次評論時間、評論頻次、累計評論次數(shù)等等等等。

以上這些只是我的簡單思考，希望可以給大家更多的啟發(fā)。

淘寶根據(jù)用戶的淘氣值將用戶分成了三種類型：

• 普通會員：0?≤?淘氣值?＜?1000；
• 超級會員：1000?≤?淘氣值?＜?2500；
• APASS會員：2500??≤?淘氣值。

分別設(shè)定了不同的權(quán)益針對性運營，在推出88會員的時候淘氣值高于1000分的用戶可以以88元直接購買會員。同時在淘氣值頁面看到了88會員中心【敬請期待】的頁面，在結(jié)合88會員入口處【花小積分?兌大權(quán)益】的文案，相信未來淘寶會在88會員上有新的運營動作。

最后關(guān)于無量綱化處理的方法還有很多，我這里介紹了最簡單的一種，喜歡研究的同學可以自行百度。

會員系列的第二篇，終于在糾結(jié)了兩周反復難產(chǎn)的過程中完成了。

相關(guān)閱讀

搭建會員體系時必須要思考的三個問題！

本文由 @萌面趙先生 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)作者許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于 CC0 協(xié)議