中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導讀：RFM分析，一種將用戶分層、進而針對不同用戶群體進行精細化運營的方法。在應用RFM分析模型中，實際操作中會存在很多問題。本文作者圍繞RFM模型的搭建細節以及適用場景展開分析，希望對你有幫助。

“RFM分析，是用戶精細化運營中比較常見的分析方法了。”

今天和大家分享一下數據分析中比較常用的一個分析框架：RFM分析。該模型用的很多，說明有模型自身的優勢；但同時也存在很多的問題。今天和大家一起探討。

一、什么是RFM分析

RFM分析，其實是一種將用戶分層、進而針對不同用戶群體進行精細化運營的方法。

RFM的三個字母，分別代表了一個維度：

• R（Recency）：最近一次消費時間。反映了用戶最近消費的熱度，用以衡量用戶是否流失。理論上，最近一次消費時間越長，流失概率越高
• F（Frequency）：用戶的消費頻率。反映了用戶對于產品、品牌的忠誠程度。理論上，一定時間內的購買頻率越高，用戶忠誠度越高
• M（Monetary）：消費金額。反映了用戶的購買力。

通常來講，是針對每個維度設定一個閾值，將用戶群體劃分為二（高于閾值、低于閾值），三個維度齊下，則可以將用戶整體劃分為2^3=8個用戶細分群。如下圖：

有了用戶的細分，可以針對細分用戶進行精細化的營銷。比如針對【重要價值客戶】應該做好用戶的權益維系，針對【重要保持客戶】做好客戶的流失挽回。

關于模型的大體含義和應用價值，就簡述一二，詳細的請繼續。

二、如何進行RFM建模

RFM模型的建立，總結起來一般可以分為以下幾步。

1. 關于原始數據

從定義中我們可以看出來，R、F、M其實都是和消費相關的。因此，關于RFM模型的搭建，使用的原始數據很明確：訂單表交易表。

而且，使用的維度其實并不需要很復雜，只要有以下的維度就足夠了：

即我們只要有用戶唯一標識、消費時間、消費金額，這三個字段的明細，就可以來搭建RFM的分析模型了。

當然，對于原始數據有一些數據清洗的工作，這里就不贅述了。比如選取的是成交的訂單，而不是下單未支付的；比如選取的是排除大機構的訂單……等等。

2. 三個維度的加工計算

基于上面的原始訂單數據，下一步就是RFM三個維度的加工。這里面，有很多細節的問題。

首先，關于最近一次消費時間的計算。這個指標的定義比較明確，直接取最近一次消費的時間和當前時間做差就好。

關于消費頻率的計算，必須有時間范圍的設定。那具體是設置最近一年的消費頻率（即購買了幾次），還是最近1個月的消費頻率呢？這是有很大差別的。通常來講，這個范圍的設定和分析用戶的行業有很大關聯。比如快消品，統計用戶的幾個月的時間就夠了，但耐消品，顯然不是。統計一年的，可能用戶都沒有復購。

關于消費金額。這里和消費頻率一樣，也是要有時間范圍設定的，道理也是一樣的。確定好了時間范圍，直接做sum就行，沒有太多的疑惑。

因此參數的設定，沒有固定的標準，要多結合自己所處的行業規律。加工完是這樣的表：

3. 閾值的劃分

加工好了基礎的三個維度的統計指標，接下來就是進行劃分閾值的確定。即確定基于多大的數值，將每個維度的用戶進行分段劃分。

通常來講，每個維度只需要確定一個閾值即可，這樣可以將總體用戶劃分為8個分段。但現在還有一種套路是每個維度劃分為5段，將總體劃分為5^3共計125個分層，美其名曰【細分】。但我個人是不認可的。我覺得RFM分析的重要意義就是用戶細分的可解釋及可落地性，劃分成125個用戶群體，你該如何精細化運營呢？最終還是要進行合并。

OK，我們還是按照正常8分層來講。我們看到上面的統計聚合表了，往往分布是下圖的樣子（以R為例）：

如何劃分為兩群用戶呢？這時有很多種不同的方法了。

第一種方法，采取均值的方法。我個人是不太建議用均值作為閾值的。因為現實情況經常有一些異常值，會影響均值的計算。而數據清洗的時候很難都排掉異常。

第二種方法，是采取中位數（或者其他分位數，比如20%分位）的方法。這種方法直接將排序后的用戶按照數量進行劃分，中位數可以將人群一分為均等兩份，其他分位數也可以有合理的業務解釋：20%的用戶貢獻了80%的作用，等等。

這種方法個人覺得比較簡單易行，比較推薦。

關于偏態分布（以右偏為例）下，眾數、中位數、均值有以下關系：

除了用統計量直接作為閾值外，第三種方法，也是市面上看到比較多的方法，就是打分法。

所謂的打分法，就是先將原始的R、F、M數值劃分為1~5的分數，然后求分數均值，作為劃分閾值。例如下圖：

這種方法吧，挺忙活，又是打分又是求均值的。但我個人不太建議。一方面，原本只需要計算一個閾值就好了，現在需要先劃分成5段，那這5段該怎么劃分才合理呢？其次，這種打分的意義在哪，還增加了計算復雜度。

如果是解決異常值或者分布不均的問題，用分位數的方法就好了，我并沒有太想明白市面上大行其道的打分法的意義在哪。我想到了一種可能，就是打分為了使三個維度可以在同一量綱上，進行衡量，以此可以計算一個用戶的綜合RFM得分，進行綜合得分的排名。如下圖：

如果是這樣，那我覺得，是不是用打分法就主要依賴于模型目標了。若為了劃分為8個離散的用戶層，就沒必要打分；若為了求用戶的綜合RFM得分，需要打分。除此之外，我確實想不到打分的意義了。希望大神指點。

4. 用戶分層計算

經歷了上面不同閾值劃分方法的紛爭，下面就比較順暢了，那就是用戶分層的計算。

這一步比較容易理解，直接根據定好的三個閾值，判斷每個用戶屬于哪個區間，然后打標即可。不贅述了。

5. 模型優化

所謂的模型優化，主要還是在于閾值的調整。

要隨著最終劃分的人群以及相關的運營效果、活動規律，調整閾值的設定，最終達到一個最合理的劃分。

三、RFM模型的優缺點

本文開頭也提到了，RFM模型的應用廣泛，是有很大優點的，但缺點也是不少，現在來和大家一起探討一下。

1. 模型的優點

最大的優點，應該是數據的可獲得性。

目前在互聯網中，基本對于數據的收集做的還是比較完備了，采集了用戶的各種行為數據等，可以更好的進行用戶打標簽、分層的操作。但是在傳統行業中，沒有太多的行為數據，其實能用的數據比較有限。

但是，無論公司的數據做的有多不完備，也一定是有成交數據的（除非這個公司沒收入……）。只要有成交數據，就能進行RFM的分析，這是最大的優勢。而且，基于成交數據做的RFM模型，還是比較有效的。

其次，模型的分層可解釋性強。

其他很多算法模型、機器學習模型，往往通過聚類進行用戶的分層，對于業務來講，不是很好解釋。但RFM模型分成的8個用戶類別，是非常好理解的。

2. 模型的缺點

RFM模型其實是滯后性的分析模型，只有當用戶發生了購買行為后，才能進行RFM的分析。而且模型的前提假設就是用戶的前后行為是無差別的。

另外，使用該模型需要注意的是，不同行業的應用，是有差別的。

最典型的是就是快消品和耐消品的差別。對于耐消品而言，RFM分析并不是一個很行之有效的模型。例如冰箱的購買，用戶購買一臺冰箱后可能十幾年都沒有購買了，這是沒辦法用RFM分析的。如果強搬硬套，是沒有任何意義的。

以上是今天和大家分享的內容，歡迎大家繼續關注~

本文由 @冬至 原創發布于人人都是產品經理，未經作者許可，禁止轉載。

題圖來自Unsplash，基于CC0協議。