利用RFM用户价值模型做好用户分层，实现精细化运…

在用户运营领域，有一个叫做RFM的词，相信很多人看到过，或许感觉比较专业就没有继续深入；或者有些文章涉及到了python等数据处理手段，望而却步；又或者因为这个词跟电商关系紧密，所以非电商的运营伙伴就选择了放弃学习。

今天主要是分享一下RFM模型在用户分层精细化运营领域的应用方法和简单的实操案例。RFM模型更上一级隶属于用户价值模型，在用户价值模型中有两个方向：

一个是基于用户生命周期，也就是时间和用户在产品内的成长路径进行的生命周期模型的搭建

另一个就是基于用户关键行为进行的RFM模型的搭建，本次只说用户价值模型中的RFM模型

RFM模型有哪些好处呢？当我们确定了RFM模型之后，从而可以决定针对哪些用户在发送短信时，加上前缀“尊敬的VIP用户”，哪些用户加上前缀“好久不见”。也可以帮助企业判断哪些用户有异动，是否有流失的预兆，从而增加相应的运营动作。用处之大，且看下文。

关于RFM的科普大家可以自行在网络上搜索，这里不做赘述，先说一下三个字母的意思：

R：最近一次消费（recency），代表用户距离当前最后一次消费的时间，当然是最近一次消费的时间距今越短越好，对我们来说更有价值，更可能有效的去触达他们。

F：消费频次（frequency），用户在一段时间内，在产品内的消费频次，重点是我们对一段时间的定义。

M：消费金额（monetary），代表用户的价值贡献。

最早是将R、F、M每个方向定义5个档，5*5*5=125种用户分类，对大部分运营和产品来说，过于复杂，大家可以不用去了解为何分成5档这样的历史问题。现在我们已经把R、F、M每个方向定义为：高、低，两个方向，我们找出R、F、M的中值，R=最近一次消费，高于中值就是高，低于中值就是低，这样就是2*2*2=8种用户分类，如下图：

所以，如果我们能够找出产品内用户隶属于以上8类中的哪一类，我们就可以针对性的制定运营策略。

在做具体的RFM搭建之前，我再强调一次，RFM模型不仅适用于电商领域，其他领域同样适用。只要我们找出跟R、F、M相关的数据字段，做好字段的定义，证明这些字段是影响当前业务进展的最为关键的几个维度即可：

R：最近一次登录时间、最近一次发帖时间、最近一次投资时间、最近一次观看时间

F：浏览次数、发帖次数、评论次数

M：充值金额、打赏金额、评论数、点赞数

上面这些都是在其它领域对R、F、M的定义，具体要根据实际业务情况进行评估。比如你是豆瓣的运营负责人，发现过去一周，豆瓣图书版块的整体流量下降10%，同时，文学书籍类别下的分享帖环比下降5%，你要去分析原因，可以选取对应R、F、M的字段分别为：登录数、发帖数、互动数。

图书版块整体流量下降，可以理解为这个版块的活跃下降，可以看下过去一周的登录数。

文学书籍类别下的分享帖下降5%，可以看下过去一周的发帖数。

同时，流量下降，我们可以看下是否因为帖子质量相对下降，导致用户的互动（评论、收藏等）下降，进而导致流量下降。

下面我以自己抓取的1w条某导购平台的一套数据为例，带大家使用最简单的方法，进行这套数据中用户RFM模型的搭建，找出这8个类别的用户。

RFM模型搭建步骤如下：

• 抓取R、F、M三个维度下的原始数据
• 定义R、F、M的评估模型与中值
• 进行数据处理，获取R、F、M的值
• 参照评估模型与中值，对用户进行分层
• 针对不同层级用户指定运营策略

1、抓取R、F、M三个维度下的原始数据，我抓取是最近一次消费时间、消费频次、消费金额。上文已经说过，在做各自业务分析时，可以根据实际情况选取R、F、M的数据字段。下表是1w条数据中的13条进行展示：

2、我将1w条数据的最近一次消费时间、消费频次、消费金额分别用占比趋势图进行处理，以消费频次为例，如下图：

大家通过图表，可以看出1w条数据中，关于消费频次出现了几个比较明显的断档，分别是：消费1次、消费2-5次、消费6-11次、消费12-17次、消费18次以上。所以，我把F值分为5档，F=1=消费1次，F=2=消费2-5次，F=3=消费6-11次，F=4=12-17次，F=5=18次以上。

同理，用上图的方式，我找出了R值和M值5档分别对应的数据区间。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。

我们得到RFM三个数据指标下的分档标准：

（R值是反向值，R值越大，用户价值越低；F值是正向值，F越大用户价值越高；M值是正向值，M值越大用户价值越大。）

3、计算1w条数据，每条数据下最近一次消费时间、消费频次、消费金额对应的R、F、M值：

上图的计算方式比较简单，我们在excel中写入if语句：

单元格E2=if（B2>23,5,if(B2>15,4,if(B2>9,3,if(B2>3,2))))）

解释：

如果B2大于23，则A1用户对应的R值=5，否则进入下一个if判断；

如果B2大于15，则A1用户对应的R值=4，否则进入下一个if判断；

如果B2大于9，则A1用户对应的R值=3，否则进入下一个if判断；

如果B2大于3，则A1用户对应的R值=2，否则进入下一个if盘点。

计算F值和M值的方式一样。

4、计算R、F、M的平均值，这一点大家应该都会，直接求和再除以项数。R（ave）=2.9，F（ave）=1.8，M（ave）=2.7

5、将1w条数据每个用户的R值、F值、M值和平均值进行比较，高于平均值则标记为高，低于平均值则标记为低：

比较高低值，使用一个简单的if语句：

H2=if（E2<2.9，“低”，“高”），F值和M值计算同理。

6、将每个用户的R、F、M值与中值分别进行比较，得出用户所属类别表：

每个用户的R值、F值、M值与中值进行比较，判断高或者低，进而确定用户属于上文所说RFM模型8类用户中的哪一类，这里需要用到一个简单的if语句进行判断，我们以A1用户为例，判断A1用户所属用户类别：

K2=IF(AND(H2=”高”,I2=”高”,J2=”高”),”重要价值用户”, IF(AND(H2=”高”,I2=”低”,J2=”高”),”重要发展用户”,IF(AND(H2=”低”,I2=”高”,J2=”高”),”重要保持用户”, IF(AND(H2=”低”,I2=”低”,J2=”高”),”重要挽留用户”,IF(AND(H2=”高”,I2=”高”,J2=”低”),”一般价值用户”, IF(AND(H2=”高”,I2=”低”,J2=”低”),”一般发展用户”,IF(AND(H2=”低”,I2=”高”,J2=”低”),”一般保持用户”,”一般挽留用户”)))))))

同时，我们点击excel中的“条件格式”，将文本中带有“高”字的设置一个绿色，带有“低”字的设置一个“红色”，更方便我们识别。

至此，我们得到了这1w条数据下用户的完整精细化分层，接下来，大家可以根据分层结果做相应的运营策略具体开展执行工作。

7、根据用户分层结果制定运营策略

制定运营策略既要结合各类用户在产品中的占比，也要结合产品的实际业务逻辑。以此次某导购平台用户分层为例，制定如下策略：

有些小伙伴在制定策略时，直接甩上来一堆不能称之为策略的“方案”，比如针对“重要发展用户”，我给出的策略是“提升频次”，所有围绕提升频次的手段都可以去尝试，而不是上来就制定比如：发push、发券、打电话等方案，这些都是在策略支撑下的运营手段。策略本身一定是可以延伸和复制的。

除了上述根据用户类别进行运营策略制定，我们还可以分析1w条数据中，R值分布、F值分布、M值分布，基于三个数值的分布以及和中值的比较，针对最近一次消费时间、消费频次、消费金额维度下做整体的运营，提升站内用户整体活跃、整体流程、拉动GMV等。

整体来说，RFM模型不是很难，但是有一些需要注意的点：

1、在抓取原始数据时，一定要结合实际业务来选取关键数据指标进行分析，而不是千篇一律的最近一次消费时间、消费频次、消费金额。上文也给过豆瓣的案例，在豆瓣案例中，R=登录数、F=发帖数、M=互动数。

2、在定义R值、F值、M值的评估模型进行数据区间分隔时，也不是千篇一律的用本文说述的看整体趋势，从而发现明显断档的形式进行，也可以用散点图、透视表、占比图等进行判断。同时，除了通过数据去发现断档，我们可以基于自己的业务和业内的平均水平进行临界点的发现。比如针对滴滴、易道这样的打车软件，使用频次相对较高的肯定是工作日。所以，如果分析滴滴的业务，F值消费频次的5个分档可以基于实际业务，以每5天作为一档，分析近30天内的业务表现。比如F=1=5天以内，F=2=6-10天，F=3=11-15天，F=4=16-20天，F=5=21-30天。然后将提取的每个用户的消费频次和这5个档进行比较，确定每个用户的F值

3、对于中值的计算，最简单的是本文所说的平均值计算方式。除了平均值，还有二八法则，20%的用户创造了80%的收益，所以，可以将这个临界点作为每个用户R、F、M比较的对象。对于更加复杂的业务，可以寻求程序员协助，使用Means聚类算法进行精准取数。

4、除了本文所说选取3个核心业务指标进行交叉分析，有些时候，我们可能需要同时分析4个、5个指标，或者只需要分析2个指标。所以，不需要很死板的使用本文的计算方法，要灵活变通，这里不再举例。

5、最终还是要回归到运营上来，所以，针对不同分层用户的运营策略的制定要结合实际，在制定了运营策略之后，结合公司现有资源和手段开展具体的落地工作。

对于本文的内容，建议大家实操尝试。