用戶畫像無頭緒?手把手教你RFM模型
在一些營銷場景下,對不同客戶給予相同的對待或策略有時不太合適,所以我們根據(jù)用戶數(shù)據(jù),分析用戶行為和消費傾向,并打上相應(yīng)的標(biāo)簽應(yīng)用于不同廠家。用有限的公司資源優(yōu)先服務(wù)于公司最重要的客戶,客戶與我們的粘性將會更高,并與雙方建立忠誠的合作關(guān)系。
用戶畫像:
在第一階段,我們基于RFM模型做用戶消費分析,并定義一些指標(biāo)。
- 最近一次消費(Recency)
- 消費頻率(Frequency)
- 消費金額(Monetary)
數(shù)據(jù)集
- 我們選擇2019/03/03 到 2020/03/01一整年53周的數(shù)據(jù)作為我們的數(shù)據(jù)分析數(shù)據(jù)集。
- 數(shù)據(jù)集包含總共10000個付費用戶,總銷售額¥1000 M。 (數(shù)據(jù)已脫敏)
- 我們使用GMV作為銷售分析指標(biāo),退貨部分將在后續(xù)另做分析。
數(shù)據(jù)的選取我們通過HIVE在數(shù)據(jù)庫中選取,其中稍難的地方在于 最近一次購買——需要用到窗口函數(shù) over (partition by xx) 的方法,疑問的同學(xué)可以去搜索下,后續(xù)我也會出SQL的一些常用方法和心得體會。
最近一次消費(Recency)
我們認(rèn)為用戶的最近一次消費行為離今日越近,他當(dāng)前的活躍度將會更高,價值也會更高。
因為數(shù)據(jù)集對應(yīng)的是TO_B的業(yè)務(wù),所以我們此處定義用戶如果在周內(nèi)有消費行為且銷售額大于最低閾值,該用戶被標(biāo)記為該周活躍。
我們這邊用Tableau進(jìn)行可視化分析:
二月份過年且受到新冠狀病毒疫情影響,數(shù)據(jù)下跌顯著。
我們根據(jù)用戶不同Recency在銷售額上的數(shù)據(jù)表現(xiàn),將用戶合理分為四個組。
這邊需要提一下,分箱是一個很復(fù)雜的點。有的業(yè)務(wù)人員或者是初學(xué)者隨手等額/等距分箱,或者無腦“二八法則”,不管是從業(yè)務(wù)分析的角度還是投入模型的角度,效果可能都極差。
根據(jù)我們的分箱,分組表現(xiàn)如下:
超過85%的用戶在最近半年至少消費一次。
用戶最近一次消費在距今1~4周的用戶數(shù)量占比為10%,但提供了將近50%的銷售額。
最近一次購買距今超過9個月的用戶幾乎不產(chǎn)生消費。
這表示Recent_C組的用戶已經(jīng)很有可能將要離開或者已經(jīng)離開我們了。當(dāng)然他們有被激活的機(jī)會,但是也許不應(yīng)該花費過多,因為這個群組客戶的投資匯報(ROI)相對較低,也就是說 不同的兩個組,投入相同的有效資源,高ROI的群組大概率會產(chǎn)生更高的回報。
消費頻率(Frequency)
如果用戶有任何購買行為,并且訂單金額超過一個基礎(chǔ)閾值,他們這周就會被標(biāo)記為活躍用戶。我們認(rèn)為用戶的購買行為越頻繁,他就會有更高的活躍度和交易價值。
分組表現(xiàn)如下:
很明顯,F(xiàn)re_S級組別用戶最有價值。他們以10%的數(shù)量占比貢獻(xiàn)了45%的銷售額。
消費金額(Monetary)
消費金額一直是商業(yè)中的核心指標(biāo)。這邊可以根據(jù)需求差異使用銷售額,實際毛利等。
這邊單變量分箱我們采用Python模塊繪圖
分箱邊界及表現(xiàn)如下——
后40%的用戶幾乎不提供任何消費收益。
而Money_S組客戶只占總體的10%,它貢獻(xiàn)了總體70%的銷售額。但其實進(jìn)入S組的門檻并不太高,年銷售額超過¥xxxxx,已經(jīng)可以加入消費S組。
這邊我們可以提供一個應(yīng)用場景:會員升級?你的老板讓你測算用戶升級對整體銷售提升的效果。
基于M_part的用戶升級測算
事實上,用戶的層級相對來說不是那么容易去改變。另一方面來說,通過有效的策略促進(jìn)用戶升級成功,會對帶來巨大的業(yè)務(wù)增長。
我的測算基于如下思維邏輯——每個群組的頭部用戶更有機(jī)會升級到下一個群組的尾部,舉例 C組前25%消費排名用戶會有機(jī)會加入B組的尾部,B組前25%消費排名用戶會有機(jī)會加入A組的尾部。
B組頭部 → A組尾部 的升級 客戶只需要提高消費¥2000每年,所以只需要采取一些策略很容易就可以實現(xiàn)這個目標(biāo)。所以我賦予這層的轉(zhuǎn)化率是80%,而最后能夠得到¥23M的收益。
A組頭部 → S組尾部 的升級 客戶需要提高消費¥11000,難度提高,所以我賦予這層的轉(zhuǎn)化率是50%,而最后能夠得到¥43.5M的收益。
僅僅通過這兩個可行度較高的部分就可以增加66.6M的銷售提升,而所需的成本很可能就是一些積分,頭銜等。但是如果需要提升更高的銷售額,那可能需要與客戶分享一部分收益。
自然還有A級中部用戶升級為頭部用戶,S級底部用戶升級為中部用戶…還有活躍部分R和F都可以做很多的提升策略,用戶一直是很大的寶藏。
RFM
通過上述分析,我們得到三個簡單標(biāo)簽——最近一次消費,消費頻次,消費金額。
很多分析者喜歡一上來就把三者賦予對應(yīng)權(quán)重,合并計算出一個得分,確實有可取的場景。但其實每一個標(biāo)簽不是為了單個分析報告或者業(yè)務(wù)活動服務(wù)進(jìn)行的一次性分析。主要還是作為數(shù)據(jù)資產(chǎn),以用戶標(biāo)簽庫的形式,隨取隨用,服務(wù)于各個業(yè)務(wù)及分析場景。
這邊我們將三者聯(lián)合:
我們可以看到各個標(biāo)簽下用戶的表現(xiàn)然后結(jié)合具體業(yè)務(wù)目的分析。
我們選擇三個重要標(biāo)簽組來演示:
同樣,我們可以給每個標(biāo)簽內(nèi)的組別賦予相應(yīng)的分值,再對每個標(biāo)簽給定相應(yīng)地權(quán)重,來計算出一個總體得分。
兩個應(yīng)用場景
(1)如果我們舉辦一個營銷活動關(guān)于老客戶的促銷,我們賦予 R 30%的權(quán)重 F 30%的權(quán)重 M 40%的權(quán)重。
用每個用戶所在組別對應(yīng)的分值 X 標(biāo)簽權(quán)重 求和 可以得到用戶的得分 優(yōu)先篩選合適分段用戶即可。
(2)如果我們要辦一個流失用戶召回的活動,我們就可以直接選擇R標(biāo)簽中的 Recent_C 或更久沒有消費的用戶,同時他的M得分很高,就可以獲得更易召回的目標(biāo)用戶。
最后
這些標(biāo)簽在面對不同的業(yè)務(wù)環(huán)境是會有很多的應(yīng)用場景,同時他們也可以與更多的標(biāo)簽和數(shù)據(jù)結(jié)合,關(guān)聯(lián)分析來產(chǎn)生更高的業(yè)務(wù)價值。
不要忽略時間,地區(qū)的差異性。不同的地區(qū)的用戶有著不同的消費水平,我們可以結(jié)合具體業(yè)務(wù)場景分別討論。
本報告完全基于個人實際工作,盡量詳細(xì)。不清楚的地方和其他想了解探討的方向,歡迎留言。如首圖,后續(xù)會更新更多的用戶畫像的分析報告與實際應(yīng)用方法。
作者:范十八,公眾號:半仙范十八
本文由 @小春ex 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
“用戶最近一次消費在距今1~4周的用戶數(shù)量占比為10%,但提供了將近50%的銷售額。”這個話是不是有錯誤,從表里看,1~4周的用戶數(shù)量占比是35%
感謝指正
前輩說的通過聚類來確定是指的用機(jī)器學(xué)習(xí)的聚類算法?能不能舉個稍微具體的例子呢
是的。
有的地方運營部門也會通過業(yè)務(wù)經(jīng)驗來分群用戶。
還有怎么確定分層邊界呢
了解了解聚類 各層級表現(xiàn)出明顯的差異以及集聚性的特征
前輩能具體講講么怎么對不同用戶做哪些活動來刺激消費增長
關(guān)鍵是不斷弄清楚 他現(xiàn)在是什么人 他此時需要企業(yè)提供什么樣的價值 再輔助以人性的弱點
能具體講講方法么?比如怎么提升到下一層級
“分箱是一個很復(fù)雜的點。有的業(yè)務(wù)人員或者是初學(xué)者隨手等額/等距分箱,或者無腦“二八法則”,不管是從業(yè)務(wù)分析的角度還是投入模型的角度,效果可能都極差?!?br /> 這句話很贊同,請問您一般是用什么方法做用戶分層呢?
同問
主要看你要分箱的變量定義的用戶在目標(biāo)變量(或者說核心指標(biāo))上的差異化分組表現(xiàn)。這邊可以有聚類的思想在里面,可以品品~