起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識如何進行用戶分層，實現精細化運營？利用RFM用戶價值模型
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域的應用方法和簡單的實操案例。enjoy~
在用戶運營領域，有一個叫做RFM的詞，相信很多人看到過，或許感覺比較專業就沒有繼續深入；或者有些文章涉及到了python等數據處理手段，望而卻步；又或者因為這個詞跟電商關系緊密，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域的應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品內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”。也可以幫助企業判斷哪些用戶有異動，是否有流失的預兆，從而增加相應的運營動作。用處之大，且看下文。
關于RFM的科普大家可以自行在網絡上搜索，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，在產品內的消費頻次，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，對大部分運營和產品來說，過于復雜，大家可以不用去了解為何分成5檔這樣的歷史問題?，F在我們已經把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品內用戶隸屬于以上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，我再強調一次，RFM模型不僅適用于電商領域，其他領域同樣適用。只要我們找出跟R、F、M相關的數據字段，做好字段的定義，證明這些字段是影響當前業務進展的最為關鍵的幾個維度即可：
- R：最近一次登錄時間、最近一次發帖時間、最近一次投資時間、最近一次觀看時間
- F：瀏覽次數、發帖次數、評論次數
- M：充值金額、打賞金額、評論數、點贊數
上面這些都是在其它領域對R、F、M的定義，具體要根據實際業務情況進行評估。比如你是豆瓣的運營負責人，發現過去一周，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比下降5%，你要去分析原因，可以選取對應R、F、M的字段分別為：登錄數、發帖數、互動數。
- 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。
- 文學書籍類別下的分享帖下降5%，可以看下過去一周的發帖數。
- 同時，流量下降，我們可以看下是否因為帖子質量相對下降，導致用戶的互動（評論、收藏等）下降，進而導致流量下降。
下面我以自己抓取的1w條某導購平臺的一套數據為例，帶大家使用最簡單的方法，進行這套數據中用戶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據
- 定義R、F、M的評估模型與中值
- 進行數據處理，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據，我抓取是最近一次消費時間、消費頻次、消費金額。上文已經說過，在做各自業務分析時，可以根據實際情況選取R、F、M的數據字段。下表是1w條數據中的13條進行展示：
（2）我將1w條數據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條數據中，關于消費頻次出現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=1=消費1次，F=2=消費2-5次，F=3=消費6-11次，F=4=12-17次，F=5=18次以上。
同理，用上圖的方式，我找出了R值和M值5當分別對應的數據區間。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三個數據指標下的分檔標準：
（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條數據，每條數據下最近一次消費時間、消費頻次、消費金額對應的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，這一點大家應該都會，直接求和再除以項數。R（ave）=2.9，F（ave）=1.8，M（ave）=2.7
（5）將1w條數據每個用戶的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”字的設置一個綠色，帶有“低”字的設置一個“紅色”，更方便我們識別。
至此，我們得到了這1w條數據下用戶的完整精細化分層，接下來，大家可以根據分層結果做相應的運營策略具體開展執行工作。
（7）根據用戶分層結果制定運營策略
制定運營策略既要結合各類用戶在產品中的占比，也要結合產品的實際業務邏輯。以此次某導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push、發券、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制的。
除了上述根據用戶類別進行運營策略制定，我們還可以分析1w條數據中，R值分布、F值分布、M值分布，基于三個數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：
- 在抓取原始數據時，一定要結合實際業務來選取關鍵數據指標進行分析，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、F=發帖數、M=互動數。
- 在定義R值、F值、M值的評估模型進行數據區間分隔時，也不是千篇一律的用本文說述的看整體趨勢，從而發現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，除了通過數據去發現斷檔，我們可以基于自己的業務和業內的平均水平進行臨界點的發現。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，如果分析滴滴的業務，F值消費頻次的5個分檔可以基于實際業務，以每5天作為一檔，分析近30天內的業務表現。比如F=1=5天以內，F=2=6-10天，F=3=11-15天，F=4=16-20天，F=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
- 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。對于更加復雜的業務，可以尋求程序員協助，使用Means聚類算法進行精準取數。
- 除了本文所說選取3個核心業務指標進行交叉分析，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。
- 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合實際，在制定了運營策略之后，結合公司現有資源和手段開展具體的落地工作。
對于本文的內容，建議大家實操嘗試。
#專欄作家#
Chris，微信公眾號：產品運營（pm-2020），人人都是產品經理專欄作家，關注在線教育、社交、電商并參與多個項目從0-1的搭建。轉型互聯網金融，負責信用卡和現金貸產品的全流程運營工作。熱愛將別人眼中“不值一提”的細節用文字呈現出來。
本文原創發布于人人都是產品經理?，未經許可，禁止轉載。
題圖來自 Pixabay，基于 CC0 協議
你多篇文章的數據，表格，案例都一模一樣，怎么連案例都撞上了？
我不清楚你這么著急開噴的目的，我其實也不必要回復，畢竟是一篇寫了快2年的文章，而且現在網絡上運營課程這么多，學習了課程的人，不管實際工作中有沒有掌握模型的實操方法，都喜歡寫一寫，到處發一發。所以，如果你喜歡鑒別真假，可以像我上一條所說，去網絡上搜索一下，我相信你半個月都噴不完。
另外，同學，我其實也想問你一個問題，比如hook模型，如果有一天你上了某個老師的課程，了解到這個模型后，再在其它任何網站上看到這個模型的文章，是不是都認為是抄襲老師的課程？先入為主的思想會對你自己發展不利。模型是公開可用的，如果是某個老師自己的一套方法，那我一定不會去寫。
模型方法一樣當然沒有問題，你用的案例數據都是別人付費課程里的內容，一模一樣，而且是遠不止這一篇是多篇文章。我在開噴前當然有搜索過，我也不想誤傷別人，但搜來搜去都是你這邊在各個平臺發的文章，還真就你一個人這么抄襲別人。難道按你的邏輯，網絡上別人也抄我就不應該大驚小怪你就沒有問題？
模型方法一樣當然沒有問題，你用的案例數據都是別人付費課程里的內容，一模一樣，而且是遠不止這一篇是多篇文章。我在開噴前當然有搜索過，我也不想誤傷別人，但搜來搜去都是你這邊在各個平臺發的文章，還真就你一個人這么抄襲別人。難道按你的邏輯，網絡上別人也抄我就不應該大驚小怪你就沒有問題？。。
非原創要臉？你的很多篇文章都是張亮課程里的內容，不標明出處簡直了，哪里原創了？？？？
朋友，看你這么著急連續評論，我的郵箱不斷收到通知，我回復你一下，幫你平復下情緒。
1、如果你是資深運營，應該了解RFM模型很早就有，非現在的運營從業者所創。
2、本文寫于2018年
3、張亮老師，我有他微信，看過他的書，很欽佩。但我并未上過他的任何課程。
4、本文的圖片，第一張，模型圖片，所有說到這個模型的內容大都是這張圖。第二張，我自己做的圖，這個模型分8層，標準化內容，沒什么可創新的。第三張到第八張，你說數據、案例一摸一樣，請你找出來，我感謝你。剩下的圖片，均是基于上述數據表格的可視化分析。
5、如果你只喜歡逛人人都是產品經理，那我建議你網絡上搜索下“RFM模型用戶分層”的文章，遍地都是。
如果B2大于9，則A1用戶對應的R值=3，否則進入下一個if判斷；
如果B2大于3，則A1用戶對應的R值=2，否則進入下一個if盤點。
那么B2等于9，則A1用戶是不是應該是2。我看表格標的是3. ??
作者R值的邏輯，前后有矛盾。重要價值用戶的R值明明是越低越好，你自己在中間部分也強調了“（R值時反向值，R值越大，用戶價值越低；）”到最后卻又變成了RFM三高才是重要價值用戶。很明顯重要價值用戶應該是R低F高M高
是的沒錯
我是**嗎 ？我沒看懂表格。。。
2的R值低于2.9,是因為R值是反向的么？
反向安排，R值越低越好，FM值越高越高
非常感謝，這篇文章詳細理清楚了RFM關于用戶價值分層的應用，不過文章中有個疑問：示例中只是將每個維度分成高低，直接對對應數值進行平均后比對即可，為何前面還需要多一分5個區間再取值的步驟？
個人理解是避免極大值或極小值的影響吧
E2的R值低于2.9阿，為什么還是高？
因為是反的
如果一個數剛好等于平均值怎么辦？是高還是低呢？
缺少等于
既然把R、F、M每個方向定義為：高、低，兩個方向，我們找出R、F、M原始數據的中值不就可以劃分出高低了嗎？為什么還要先劃分5個區間以后再找出中值劃分高低？
是為了用戶分層，盡可能的分層。只劃分高低沒有意義
很實用的文章，想問一下占比趨勢圖是用什么方式生成的
一篇從理論到實踐良心文章啊，看完以后恍然大悟，終于可以實操一次了
非常受益！現在就著手分析客戶數據。
想請教下那個用戶占比趨勢圖的Y軸數據是什么？怎么出來的百分比？謝謝
十分感謝分享～～～～～期待更多您的文章
很清晰，感謝～
老師你好，請教一個問題，目前在函數這里卡起了，由于我的R值只有3個等級，函數我是這樣設置的H8=if（E8>17,3,if(E8>6,2,if(E8>2,1))))），無法計算出結果，請問函數是寫對了嗎？
你這個函數其實是分了四個等級，最后一個其實還隱含了≤2的情況
能說下如何寫嗎？又試了很多次還是不行，對函數實在不太懂 ??
看懂了，只是對表格函數太弱了，不過對用戶分層運營終于理解了，為了加深印象，決定著手寫一篇，并找機會在工作中實踐。
思路都是相近的，感覺這里面的數據有問題，懷疑原創性。
弱弱地問一句，H2（R值）=if（E2<2.9，“低“，”高”），R的高低值算反了嗎？ ?? 還是說要把R的分檔標準的順序反一下？
反了，這個應該是 大于
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出！
請問怎么對在線教育K12用戶的核心指標進行定義呢
請問您文章中舉例提到的最近一次消費時間，表格里的數字都是整數，這個是怎么取數的 不應該是具體時間么
截取1萬個用戶的行為時間周期，取數是該用戶消費最后一次距離你統計這一刻的距離天數的數值
rfm現在更多算是一種思維模式，做方法論有很多局限性，畢竟這個簡易模型起源于傳統行業
你好，文章很受益，有個小細節請教。 滴滴那個例子，平時和周末有明顯的頻次區別，那周期間隔為什么不是7天，而是5天？
抱歉，這個小細節有問題 ?? 你理解的是對的。
間隔是7天的話，應該怎么劃分？
舉得例子非常實用，終于知道RFM模型怎么使用了，感謝
不客氣，加油~
請問下不適用的情況有哪些？
這個問題太大了，有很多不適用的情況，只能說靈活變通了，比如針對只有兩個維度的業務，就可以在現有的RFM模型上已經變形，進行兩個維度下的分析。
H2函數公式寫錯了吧
哪里，可以指出哈
怎么對視頻網站會員的核心指標進行定義呢
這個要根據你們的實際情況做分析，一般情況下，視頻網站可以考慮最近觀看的時間、觀看市場、互動情況（收藏、分享、評論）、付費情況等。
是否可以將付費和非付費用戶進行區分，用兩張表格呈現，針對付費和非付費中不同等級的用戶，制定不同的策略。
Rfm 模型建立的用戶分層機制確實是一個基礎，但還是有一些運營指標變動而無法解釋的情況，感覺還是去玩繼續細分畫像緯度找到差異點
“去玩繼續細分畫像維度”這個不太明白。文章說了，RFM模型是用戶價值模型的一種方式，還有生命周期、金字塔、AARRR、用戶個性化特征/需求模型等，這些不是生搬硬套，文章也說了，模型不生效，就考慮交叉維度分析，靈活變通即可。
你這篇是抄襲的致遠的《如何成為運營大?！废盗校鏌o恥
我不知道你是否了解RFM的起源，如果了解的話，你會發現，目前互聯網上散布的所有RFM相關的文章、教學視頻都是在起源基礎上換著法的表達。RFM的三個字母的意思、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，每個人都一樣。我們沒必要在一些基礎的內容上浪費太多時間，就像做語音識別的公司會直接接入科大訊飛的API一樣。但大部分文章表達的是什么？是介紹RFM為何物，不知道實際中怎樣操作，不知道RFM模型的使用操作流程。致遠的文章我看過，其它很多人的文章我都看過，所以才會有開頭那句：“在用戶運營領域，有一個叫做RFM的詞，相信很多人看到過，或許感覺比較專業就沒有繼續深入；或者有些文章涉及到了python等數據處理手段，望而卻步；又或者因為這個詞跟電商關系緊密，所以非電商的運營伙伴就選擇了放棄學習?！?/p>
我寫的這篇文章核心的是什么？是我對大家在使用RFM過程中要注意點的總結；是我舉例告訴大家RFM不僅可以適用于電商，其它業務模式中也可使用；是我告訴了大家RFM模型正確的使用流程。關于你說我抄襲，我能看出來的就是在Excel中的那些計算公式，我想請問，你平時每天在用的求和、平均值，是不是都算抄襲了？我原本就是為了避嫌，不想把公式寫出來的，因為公式是使用RFM中最不重要的部分，最重要的是思想，是怎樣選取源數據、怎樣確定評估模型和中值。沒想到還是被人詬病。
RFM模型你去網上搜一下，能看到的就是四維立體象限圖、看到的就是八個方向的用戶分層，這個不是我們現在寫文章的誰發明的，我也沒必要為了避開什么，非要表格做的不一樣，表頭換個顏色，沒必要。
人人都是產品經理網站審核通過，就表示了這一點，我自覺沒問題，祝你進步。
有沒有專門講用戶各種模型的書籍？求推薦，現在對用戶還無法形成系統的架構
不用在意，網絡噴子太多；本文重在結合具體案例的實踐
支持你，你寫的很好，表達自己的觀點，分享自己的經驗，不必在意每個人的不同的眼光！問心無愧即好。
你多篇文章的數據，表格，案例都一模一樣，怎么連案例都撞上了？
這篇的RFM和致遠的不算抄襲，另外，要尊重作者。