在用戶運(yùn)營領(lǐng)域，有一個叫做RFM的詞耕陷，相信很多人看到過掂名，或許感覺比較專業(yè)就沒有繼續(xù)深入；或者有些文章涉及到了python等數(shù)據(jù)處理手段哟沫，望而卻步饺蔑；又或者因?yàn)檫@個詞跟電商關(guān)系緊密，所以非電商的運(yùn)營伙伴就選擇了放棄學(xué)習(xí)南用。
今天主要是分享一下RFM模型在用戶分層精細(xì)化運(yùn)營領(lǐng)域的應(yīng)用方法和簡單的實(shí)操案例膀钠。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裹虫，也就是時間和用戶在產(chǎn)品內(nèi)的成長路徑進(jìn)行的生命周期模型的搭建
另一個就是基于用戶關(guān)鍵行為進(jìn)行的RFM模型的搭建肿嘲，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(dāng)我們確定了RFM模型之后筑公，從而可以決定針對哪些用戶在發(fā)送短信時雳窟，加上前綴“尊敬的VIP用戶”，哪些用戶加上前綴“好久不見”匣屡。也可以幫助企業(yè)判斷哪些用戶有異動封救，是否有流失的預(yù)兆，從而增加相應(yīng)的運(yùn)營動作捣作。用處之大誉结，且看下文。
關(guān)于RFM的科普大家可以自行在網(wǎng)絡(luò)上搜索券躁，這里不做贅述惩坑，先說一下三個字母的意思：
R：最近一次消費(fèi)（recency），代表用戶距離當(dāng)前最后一次消費(fèi)的時間也拜，當(dāng)然是最近一次消費(fèi)的時間距今越短越好以舒，對我們來說更有價值，更可能有效的去觸達(dá)他們慢哈。
F：消費(fèi)頻次（frequency）蔓钟，用戶在一段時間內(nèi)，在產(chǎn)品內(nèi)的消費(fèi)頻次卵贱，重點(diǎn)是我們對一段時間的定義滥沫。
M：消費(fèi)金額（monetary）侣集，代表用戶的價值貢獻(xiàn)。
最早是將R兰绣、F肚吏、M每個方向定義5個檔，5*5*5=125種用戶分類狭魂，對大部分運(yùn)營和產(chǎn)品來說，過于復(fù)雜党觅，大家可以不用去了解為何分成5檔這樣的歷史問題〈瞥危現(xiàn)在我們已經(jīng)把R、F杯瞻、M每個方向定義為：高镐牺、低，兩個方向魁莉，我們找出R睬涧、F、M的中值旗唁，R=最近一次消費(fèi)畦浓，高于中值就是高，低于中值就是低检疫，這樣就是2*2*2=8種用戶分類讶请，如下圖：
所以，如果我們能夠找出產(chǎn)品內(nèi)用戶隸屬于以上8類中的哪一類屎媳，我們就可以針對性的制定運(yùn)營策略夺溢。
在做具體的RFM搭建之前，我再強(qiáng)調(diào)一次烛谊，RFM模型不僅適用于電商領(lǐng)域风响，其他領(lǐng)域同樣適用。只要我們找出跟R丹禀、F状勤、M相關(guān)的數(shù)據(jù)字段，做好字段的定義湃崩，證明這些字段是影響當(dāng)前業(yè)務(wù)進(jìn)展的最為關(guān)鍵的幾個維度即可：
R：最近一次登錄時間荧降、最近一次發(fā)帖時間、最近一次投資時間攒读、最近一次觀看時間
F：瀏覽次數(shù)朵诫、發(fā)帖次數(shù)、評論次數(shù)
M：充值金額薄扁、打賞金額剪返、評論數(shù)废累、點(diǎn)贊數(shù)
上面這些都是在其它領(lǐng)域?qū)、F脱盲、M的定義邑滨，具體要根據(jù)實(shí)際業(yè)務(wù)情況進(jìn)行評估。比如你是豆瓣的運(yùn)營負(fù)責(zé)人钱反，發(fā)現(xiàn)過去一周掖看，豆瓣圖書版塊的整體流量下降10%，同時面哥，文學(xué)書籍類別下的分享帖環(huán)比下降5%哎壳，你要去分析原因，可以選取對應(yīng)R尚卫、F归榕、M的字段分別為：登錄數(shù)、發(fā)帖數(shù)吱涉、互動數(shù)刹泄。
圖書版塊整體流量下降，可以理解為這個版塊的活躍下降怎爵，可以看下過去一周的登錄數(shù)特石。
文學(xué)書籍類別下的分享帖下降5%，可以看下過去一周的發(fā)帖數(shù)疙咸。
同時县匠，流量下降，我們可以看下是否因?yàn)樘淤|(zhì)量相對下降撒轮，導(dǎo)致用戶的互動（評論乞旦、收藏等）下降，進(jìn)而導(dǎo)致流量下降题山。
下面我以自己抓取的1w條某導(dǎo)購平臺的一套數(shù)據(jù)為例兰粉，帶大家使用最簡單的方法，進(jìn)行這套數(shù)據(jù)中用戶RFM模型的搭建顶瞳，找出這8個類別的用戶玖姑。
RFM模型搭建步驟如下：
抓取R、F慨菱、M三個維度下的原始數(shù)據(jù)
定義R焰络、F、M的評估模型與中值
進(jìn)行數(shù)據(jù)處理符喝，獲取R闪彼、F、M的值
參照評估模型與中值，對用戶進(jìn)行分層
針對不同層級用戶指定運(yùn)營策略
1畏腕、抓取R缴川、F、M三個維度下的原始數(shù)據(jù)描馅，我抓取是最近一次消費(fèi)時間把夸、消費(fèi)頻次、消費(fèi)金額铭污。上文已經(jīng)說過恋日，在做各自業(yè)務(wù)分析時，可以根據(jù)實(shí)際情況選取R嘹狞、F谚鄙、M的數(shù)據(jù)字段。下表是1w條數(shù)據(jù)中的13條進(jìn)行展示：
2刁绒、我將1w條數(shù)據(jù)的最近一次消費(fèi)時間、消費(fèi)頻次烤黍、消費(fèi)金額分別用占比趨勢圖進(jìn)行處理知市，以消費(fèi)頻次為例，如下圖：
大家通過圖表速蕊，可以看出1w條數(shù)據(jù)中嫂丙，關(guān)于消費(fèi)頻次出現(xiàn)了幾個比較明顯的斷檔，分別是：消費(fèi)1次规哲、消費(fèi)2-5次跟啤、消費(fèi)6-11次、消費(fèi)12-17次唉锌、消費(fèi)18次以上隅肥。所以，我把F值分為5檔袄简，F(xiàn)=1=消費(fèi)1次腥放，F(xiàn)=2=消費(fèi)2-5次，F(xiàn)=3=消費(fèi)6-11次绿语，F(xiàn)=4=12-17次秃症，F(xiàn)=5=18次以上。
同理吕粹，用上圖的方式种柑，我找出了R值和M值5檔分別對應(yīng)的數(shù)據(jù)區(qū)間。R=1=2天匹耕，R=2=3-8天聚请，R=3=9-14天，R=4=15-22天泌神，R=5=23天以上良漱；M=1=600元舞虱，M=2=601-3800元，M=3=3801-6200元母市，M=4=6201-10000元矾兜，M=5=10001-15000元。
我們得到RFM三個數(shù)據(jù)指標(biāo)下的分檔標(biāo)準(zhǔn)：
（R值是反向值患久，R值越大椅寺，用戶價值越低；F值是正向值蒋失，F(xiàn)越大用戶價值越高返帕；M值是正向值，M值越大用戶價值越大篙挽。）
3荆萤、計(jì)算1w條數(shù)據(jù)，每條數(shù)據(jù)下最近一次消費(fèi)時間铣卡、消費(fèi)頻次链韭、消費(fèi)金額對應(yīng)的R、F煮落、M值：
上圖的計(jì)算方式比較簡單敞峭，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(yīng)的R值=5蝉仇，否則進(jìn)入下一個if判斷旋讹；
如果B2大于15，則A1用戶對應(yīng)的R值=4轿衔，否則進(jìn)入下一個if判斷沉迹；
如果B2大于9，則A1用戶對應(yīng)的R值=3害驹，否則進(jìn)入下一個if判斷胚股；
如果B2大于3，則A1用戶對應(yīng)的R值=2裙秋，否則進(jìn)入下一個if盤點(diǎn)琅拌。
計(jì)算F值和M值的方式一樣。
4摘刑、計(jì)算R进宝、F、M的平均值枷恕，這一點(diǎn)大家應(yīng)該都會党晋，直接求和再除以項(xiàng)數(shù)。R（ave）=2.9，F(xiàn)（ave）=1.8未玻，M（ave）=2.7
5灾而、將1w條數(shù)據(jù)每個用戶的R值、F值扳剿、M值和平均值進(jìn)行比較旁趟，高于平均值則標(biāo)記為高，低于平均值則標(biāo)記為低：
比較高低值庇绽，使用一個簡單的if語句：
H2=if（E2<2.9锡搜，“低”，“高”）瞧掺，F(xiàn)值和M值計(jì)算同理耕餐。
6、將每個用戶的R辟狈、F肠缔、M值與中值分別進(jìn)行比較，得出用戶所屬類別表：
每個用戶的R值哼转、F值桩砰、M值與中值進(jìn)行比較，判斷高或者低释簿，進(jìn)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(jìn)行判斷硼莽，我們以A1用戶為例庶溶，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(fā)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(fā)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(diǎn)擊excel中的“條件格式”懂鸵，將文本中帶有“高”字的設(shè)置一個綠色偏螺，帶有“低”字的設(shè)置一個“紅色”，更方便我們識別匆光。
至此套像，我們得到了這1w條數(shù)據(jù)下用戶的完整精細(xì)化分層，接下來终息，大家可以根據(jù)分層結(jié)果做相應(yīng)的運(yùn)營策略具體開展執(zhí)行工作夺巩。
7、根據(jù)用戶分層結(jié)果制定運(yùn)營策略
制定運(yùn)營策略既要結(jié)合各類用戶在產(chǎn)品中的占比周崭，也要結(jié)合產(chǎn)品的實(shí)際業(yè)務(wù)邏輯柳譬。以此次某導(dǎo)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续镇，直接甩上來一堆不能稱之為策略的“方案”美澳，比如針對“重要發(fā)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制跟，而不是上來就制定比如：發(fā)push舅桩、發(fā)券、打電話等方案雨膨，這些都是在策略支撐下的運(yùn)營手段擂涛。策略本身一定是可以延伸和復(fù)制的。
除了上述根據(jù)用戶類別進(jìn)行運(yùn)營策略制定哥放，我們還可以分析1w條數(shù)據(jù)中歼指，R值分布、F值分布甥雕、M值分布踩身，基于三個數(shù)值的分布以及和中值的比較，針對最近一次消費(fèi)時間社露、消費(fèi)頻次挟阻、消費(fèi)金額維度下做整體的運(yùn)營，提升站內(nèi)用戶整體活躍峭弟、整體流程附鸽、拉動GMV等。
整體來說瞒瘸，RFM模型不是很難坷备，但是有一些需要注意的點(diǎn)：
1、在抓取原始數(shù)據(jù)時情臭，一定要結(jié)合實(shí)際業(yè)務(wù)來選取關(guān)鍵數(shù)據(jù)指標(biāo)進(jìn)行分析省撑，而不是千篇一律的最近一次消費(fèi)時間、消費(fèi)頻次俯在、消費(fèi)金額竟秫。上文也給過豆瓣的案例，在豆瓣案例中跷乐，R=登錄數(shù)肥败、F=發(fā)帖數(shù)、M=互動數(shù)愕提。
2馒稍、在定義R值、F值浅侨、M值的評估模型進(jìn)行數(shù)據(jù)區(qū)間分隔時筷黔，也不是千篇一律的用本文說述的看整體趨勢，從而發(fā)現(xiàn)明顯斷檔的形式進(jìn)行仗颈，也可以用散點(diǎn)圖佛舱、透視表椎例、占比圖等進(jìn)行判斷。同時请祖，除了通過數(shù)據(jù)去發(fā)現(xiàn)斷檔订歪，我們可以基于自己的業(yè)務(wù)和業(yè)內(nèi)的平均水平進(jìn)行臨界點(diǎn)的發(fā)現(xiàn)。比如針對滴滴肆捕、易道這樣的打車軟件刷晋，使用頻次相對較高的肯定是工作日。所以慎陵，如果分析滴滴的業(yè)務(wù)眼虱，F(xiàn)值消費(fèi)頻次的5個分檔可以基于實(shí)際業(yè)務(wù)，以每5天作為一檔席纽，分析近30天內(nèi)的業(yè)務(wù)表現(xiàn)捏悬。比如F=1=5天以內(nèi)，F(xiàn)=2=6-10天润梯，F(xiàn)=3=11-15天过牙，F(xiàn)=4=16-20天，F(xiàn)=5=21-30天纺铭。然后將提取的每個用戶的消費(fèi)頻次和這5個檔進(jìn)行比較寇钉，確定每個用戶的F值
3、對于中值的計(jì)算舶赔，最簡單的是本文所說的平均值計(jì)算方式扫倡。除了平均值，還有二八法則竟纳，20%的用戶創(chuàng)造了80%的收益撵溃，所以，可以將這個臨界點(diǎn)作為每個用戶R蚁袭、F、M比較的對象石咬。對于更加復(fù)雜的業(yè)務(wù)揩悄，可以尋求程序員協(xié)助，使用Means聚類算法進(jìn)行精準(zhǔn)取數(shù)鬼悠。
4删性、除了本文所說選取3個核心業(yè)務(wù)指標(biāo)進(jìn)行交叉分析，有些時候焕窝，我們可能需要同時分析4個蹬挺、5個指標(biāo)，或者只需要分析2個指標(biāo)它掂。所以巴帮，不需要很死板的使用本文的計(jì)算方法溯泣，要靈活變通，這里不再舉例榕茧。
5垃沦、最終還是要回歸到運(yùn)營上來，所以用押，針對不同分層用戶的運(yùn)營策略的制定要結(jié)合實(shí)際肢簿，在制定了運(yùn)營策略之后，結(jié)合公司現(xiàn)有資源和手段開展具體的落地工作蜻拨。
對于本文的內(nèi)容池充，建議大家實(shí)操嘗試。
