成人无码网www在线观看-久激情内射婷内射蜜桃-亚洲欧美日韩久久精品-婷婷五月综合激情

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。現在我們已經把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：

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檔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值是反向值，R值越大，用戶價值越低；F值是正向值，F越大用戶價值越高；M值是正向值，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：

1、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。

2、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

3、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。

4、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。

5、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。