起點(diǎn)課堂會員權(quán)益
職業(yè)體系課特權(quán)
線下行業(yè)大會特權(quán)
個人IP打造特權(quán)
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(dǎo)直播
12場專業(yè)技能直播
會員專屬社群
榮耀標(biāo)識用戶分層基礎(chǔ)方法：RFM分層實(shí)踐
編輯導(dǎo)語：在運(yùn)營崗位中，進(jìn)行用戶分層是運(yùn)營的基礎(chǔ)工作之一。做好用戶分層，有助于后續(xù)用戶精細(xì)化運(yùn)營，減少資源浪費(fèi)，并推動用戶增長。本篇文章里，作者就對RFM模型適用場景做出介紹，并利用RFM模型進(jìn)行用戶分層實(shí)踐，讓我們來看一下。
一、前言
如果沒有做分層基本就沒有在做運(yùn)營這件事?！趸畚?/p>
分層是用戶運(yùn)營最基礎(chǔ)的底層思維。為什么要做分層？簡單來說，分層是為了區(qū)別對待不同的用戶群體。為什要區(qū)別對待？因為不同的用戶群體價值不同、需求不同、驅(qū)動力不同等等。
這些不同決定了想要提升用戶群體的價值，必須對癥下藥。
同時，分層也是精細(xì)化運(yùn)營的一種體現(xiàn)，通過優(yōu)化資源配置提升運(yùn)營的ROI。關(guān)于用戶分層的方法有很多，這里和大家分享的是一個比較基礎(chǔ)同時又廣為流傳的方法——RFM分層模型。
二、RFM模型分析步驟
RFM最早在20世紀(jì)應(yīng)用于美國黃頁業(yè)務(wù)，直到今天在互聯(lián)網(wǎng)中也被廣泛應(yīng)用。其是基于用戶歷史消費(fèi)數(shù)據(jù)，以三維坐標(biāo)系進(jìn)行用戶價值分析的分層方法。基礎(chǔ)的分析步驟如下。
拉取用戶歷史消費(fèi)數(shù)據(jù)，并計算出每個用戶對應(yīng)的R、F、M數(shù)值，分別為：
- Recency：最近一次消費(fèi)時間間隔；
- Frequency：消費(fèi)頻率；
- Monetary：消費(fèi)金額。
1）將所有用戶的R、F、M三個數(shù)值分別進(jìn)行梯度劃分，通常每個指標(biāo)被劃分成5個梯度，對應(yīng)5個分值。
2）梯度的劃分方法可參考兩種：
- 將數(shù)值5等分，適用于數(shù)據(jù)曲線較為平緩的情況；
- 通常數(shù)據(jù)曲線都具有長尾特征，可依據(jù)數(shù)據(jù)特征將R、F、M分別劃分成5個區(qū)間，比如通過散點(diǎn)圖進(jìn)行劃分或通過占比圖尋找曲線的明顯斷檔處進(jìn)行劃分。
3）依據(jù)上述分值梯度，計算每個用戶的R、F、M三個指標(biāo)對應(yīng)的分值。
4）計算所有用戶的R、F、M三個指標(biāo)的均值。
5）將用戶的R、F、M三個指標(biāo)的分值依次與上述平均值進(jìn)行比較，若小于平均值則計為低，否則為高，得出每個用戶R、F、M分值的高低情況。
6）依據(jù)RFM分層表，進(jìn)行用戶類型的匹配，用戶最終被分為8種類型。如下圖：
RFM分層結(jié)果表?
7）依據(jù)實(shí)際情況，針對每一類用戶制定不同的策略。
三、RFM的適用場景
任何事物的成立都有前提，而前提往往是最容易被忽略的。
RFM層成立的前提有3個：
- 最近有過消費(fèi)行為的用戶，在未來一段時間內(nèi)再次消費(fèi)的概率越大；即用戶最近一次消費(fèi)的時間間隔越短（R值越?。?，流失的幾率越小，用戶的價值越高。
- 最近一段時間消費(fèi)頻率越高的用戶越忠誠，在未來再次消費(fèi)的概率越大；即F值越大，用的戶價值越高。
- 最近一段時間消費(fèi)金額越高的用戶，在未來越有可能產(chǎn)生高價值消費(fèi)；即M值越大，用戶的價值高。
之所以要說前提，是因為方法論都有它的局限性。對方法論不加分辨、胡亂套用，不僅不能解決問題，反而會越走越偏。
從上面三個前提也可以看出RFM的局限性。比如針對以下情況，上述三個前提很可能不成立。
用戶最近一次消費(fèi)間隔越短，流失幾率越?。?/strong>
- 家居、汽車、房屋這類低頻的消費(fèi)品；
- 服裝這類具有周期性的消費(fèi)品。
用戶最近一段時間消費(fèi)頻率越高，未來消費(fèi)概率越大：用戶一段時間內(nèi)的消費(fèi)行為可能受多種外部因素影響，如：促銷打折、生日以及其他特殊情況導(dǎo)致的一段時間內(nèi)的高頻購買等。
用戶最近一段時間消費(fèi)金額越高，未來越有可能產(chǎn)生高價值消費(fèi)：
- 消費(fèi)本身為低頻次的，如高價值的耐用品消費(fèi)；
- 消費(fèi)本身為周期性的，如：母嬰、裝修、結(jié)婚等。
所以不同行業(yè)不同類型的業(yè)務(wù)在使用該分層方法時一定要反問自己，上述三個前提對于自己的業(yè)務(wù)是否成立。
四、案例分析
以下我以內(nèi)容社區(qū)中創(chuàng)作者的分層為例進(jìn)行RFM的實(shí)踐分享（數(shù)據(jù)部分均為舉例用的虛假數(shù)字）。
1. 背景及目的
在不考慮創(chuàng)作者發(fā)布內(nèi)容質(zhì)量的前提下，基于創(chuàng)作者的發(fā)布行為進(jìn)行分層，以提升創(chuàng)作者群體的內(nèi)容發(fā)布數(shù)量。
2. 分析過程
1）第一步
確定創(chuàng)作者的R、F、M指標(biāo)分別對應(yīng)什么指標(biāo)并進(jìn)行取數(shù)及數(shù)據(jù)處理。
相比于交易用戶，創(chuàng)作者在平臺的關(guān)鍵行為是內(nèi)容發(fā)布，其對應(yīng)的三個指標(biāo)分別為：
- R：最近一次發(fā)布內(nèi)容的日期距離取數(shù)日的間隔天數(shù)；
- F：最近三個月創(chuàng)作者發(fā)布內(nèi)容的天數(shù)；
- M：最近三個月創(chuàng)作者發(fā)布內(nèi)容的總數(shù)。
確定以上指標(biāo)后，取數(shù)如下：
將數(shù)據(jù)處理為以下格式：
2）第二步
觀察R、F、M各個數(shù)值對應(yīng)的用戶占比圖，以確定分值梯度。
以M為例，通過建立不同發(fā)布數(shù)量的作者占比趨勢圖，尋找曲線的斷檔處以確定分值的梯度。
下圖中，曲線明顯的幾個斷檔處分別為：1-2條，3-6條，7-11條，12-15條，16條及以上。
因此可將F值分為5檔，分別為1分：1-2條；2分：3-6條；3分：7-11條；4分：12-15條；5分：16條及以上。
根據(jù)上述方法依次計算出R、M的5個梯度。需要特別注意的是，R值越大則間隔天數(shù)越長，對應(yīng)的分值越小。最終結(jié)果如下圖所示：
3）第三步
依次計算出每個用戶的R、F、M三個值，結(jié)果如下：
4）第四步
計算出所有用戶的R、F、M三個值的均值，并將用戶的每個值與均值進(jìn)行比較以判斷用戶R、F、M值的高低，大于等于均值記為高，小于均值記為低。結(jié)果如下：
5）第五步
根據(jù)RFM的用戶分層表，對每個用戶的類型進(jìn)行匹配，結(jié)果如下圖：
6）第六步
針對不同類型的創(chuàng)作者制定不同的策略，以提升作者的內(nèi)容發(fā)布數(shù)量。具體的策略這里不做闡述，因為需要結(jié)合業(yè)務(wù)的實(shí)際情況而來。
五、關(guān)于RFM的探討
上述分析中，在計算用戶R、F、M每個值的高低時采用了目前最為廣泛的一種方法：打分法。打分法的好處是可以對用戶的價值進(jìn)行量化。但其實(shí)在不量化用戶價值的情況下，可以采用更簡便的一種方法：將所有用戶的R、F、M曲線依據(jù)帕累托法則（二八法則）進(jìn)行劃分來確定值的高低。
即使量化用戶價值，在講究科學(xué)運(yùn)營的今天，打分法也略顯粗糙。故在實(shí)操中可嘗試另外一種分層方法：AHP層次分析法。在上述創(chuàng)作者分層案例中，可將R、F、M三個指標(biāo)去量綱后，在考慮權(quán)重的情況下計算作者的價值分。相關(guān)公式如下。
作者價值分=-a*R值+b*F值+c*M值
（其中a、b、c為對應(yīng)指標(biāo)的權(quán)重，“-a”表示R與作者價值成反比，R值、F值、M值為去量綱后的數(shù)值）
計算出對應(yīng)的分值后再依據(jù)分值進(jìn)行作者的分層，目前該方法有較多的應(yīng)用場景，后續(xù)將專門進(jìn)行探討。
RFM模型更重要的是提供了一種用戶分層的思路，而不只是方法。基于RFM模型的分層思路可以進(jìn)行更多延伸，比如：基于RFM其中的兩個指標(biāo)進(jìn)行二維象限的分析、根據(jù)業(yè)務(wù)特征對RFM的三個指標(biāo)進(jìn)行替換以尋找適合自己業(yè)務(wù)的分層方法、將RFM中量化用戶價值的方式由評分替換為算法等更科學(xué)的方式。
方法重在活學(xué)活用，我個人是方法論的推崇者，但推崇的是在了解方法論局限性的前提下，以合適的方法解決問題，而不要胡亂套用，成為方法論的受害者。
畢竟解決問題的方法有很多種，不必癡迷于用的是哪一種，達(dá)成目的即可。
本文由@我是誰 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。
M消費(fèi)金額是指最近一次消費(fèi)金額，還是在RFM分析統(tǒng)計一個時間區(qū)間內(nèi)的訂單金額總和？
F M均為一定時間內(nèi)聚合數(shù)值
老師好，R 代表最近一次消費(fèi)間隔，應(yīng)該低于均值用戶流失幾率越小吧
對第四步有不同意見，分層的高低不應(yīng)該以平均值為標(biāo)準(zhǔn)，而應(yīng)該以用戶健康值（業(yè)務(wù)目標(biāo)）為標(biāo)準(zhǔn)，前者有可能導(dǎo)致：所有用戶都達(dá)標(biāo)，但是業(yè)務(wù)依舊每況愈下的情況
期待大佬出 rfm的應(yīng)用場景案例分享
如果數(shù)據(jù)量比較大，且數(shù)據(jù)曲線不一定是持續(xù)往下有可能是m字形波動，這個時候怎樣區(qū)分判斷數(shù)據(jù)斷層的分值
直接取平均值或者按28原則劃分
講得挺好
rmf梯度劃分部分提到的“數(shù)據(jù)曲線的長尾特征“是指什么呀？可以舉個例子說明嘛
就是用戶在某個行為指標(biāo)上表現(xiàn)為 尾部的流量比較多，頭部只有很少部分，然后該曲線循序下降平滑，沿著尾部延展的那種形式；
也就是說大部分用戶都是集中在尾部的
實(shí)例，第三步，M值不對吧？
里面的數(shù)字是隨手打的，沒有進(jìn)行實(shí)際計算。
我還算呢，幸好看了下評論～