今天分享的是RFM模型。RFM网上有很多网红文章在讲，但是大部分都是人云亦云，也没有和业务实操结合。今天就做个深度解读，从底层逻辑讲起。 RFM模型的底层逻辑 在漏斗模型篇，我们讲过：大部分业务都是按流程推进，可以做漏斗分析。但是，大家有没有想过一个问题： 1、如果没有转化过程记录，该怎么办？ 2、如果用户行为频率很高，有几十个漏斗，怎么办？ 3、如何用户之间行为差异很大，有人几十个漏斗，有人只有1个，咋办？ 此时，你本能地会想到：能不能不要每次都统计漏斗，而是直接看行为结果的发生频率、发生数量、发生时间，这样就能快速区分出高低用户之间的差异。是滴，这是个正确的思路，RFM模型的设计思路正是如此。 RFM模型计算方式 RFM一般用于统计用户消费行为 R（recency）最后一次消费距今多久 F（frequency）最近1段时间内消费频率 M（monetary）最近1段时间内累计消费金额 以上就能统计出RFM指标，统计后形式如下表所示，每个用户有对应的RFM指标数值。 这里有5个要点注意： 1、RFM以用户ID为单位进行统计，如果是传统零售，没记录用户ID，只有订单小票的流水号，则没法用这个模型，至少得有个手机号做ID。 2、F值统计规则要看业务场景，如果一天内可能多笔、反复交易，可以直接统计有交易天数，如果一个天之内一般只交易一笔，或者好多天一笔，可以直接统计笔数。 3、最近1段时间，到底看多久？和业务特点有直接关系。原则上，越高频的业务，看得时间越短，比如都是零售，如果是生鲜可以以周为单位统计（人每天要吃饭）如果是日杂可以以月为单位统计。 4、新用户因为时间太短（比如注册不足1周/不足1个月）则单独统计，RFM适用于有一定时间的老用户。 5、R的分段原理同上，越高频的业务，R分段越短。如果是生鲜可能以天来看。越低频的业务，比如理财、贷款，可能以月甚至季度为单位来看。 在计算完RFM数值以后，网红文章一般会让你把RFM三个值丢进kmean聚类，然后捏成4~5个分类。或者直接把RFM每个指标分成高中低，然后砍成3*3*3=27类。实际上这样做并不好使唤，现实中你真分27类，业务估计会气得跳起来：“你让我咋配27个完全不一样的策略”。 因为站在业务的角度，R值的意义就是唤醒，R越远，越需要唤醒越大且唤醒难度越大。所以业务一般更重视M+F的分类结果。 比如在零售/电商业务中，M值高的用户一般后续购买动力也高，因此要重点提升其F值，把他先留住。而F高、M低的用户则意味着机会，可以尝试做增量/交叉营销，以提升M。因此实操的时候，一般如下分类： RFM模型的使用方式 注意！RFM只是简单把轻中重区分出来，并不能推导出很切实可行的业务行动。网红文章一般会忽视这一点，导致有些同学盲目抄一个RFM的计算案例，结果面试被质疑。 对业务而言，知道用户的轻中重是一回事，能影响用户是另一个回事。作为一个消费者，你关注的始终是：这个东西我需不需要？这个东西我喜不喜欢？这个东西要花多少钱？因此，需要在RFM做了分类的基础上，进一步考虑用户购买品类、折扣等因素。 比如，即使用户RFM值完全一样：
因此，一般对M或F值较高的用户群体，会进一步分群。分群时，考虑自己公司的产品特点，区分价格敏感度高低，对新品、搭配的偏好。从而推导可落地的影响策略。 至于MF值较低的用户，一般与我司还没有建立啥感情，直接用当季新品、大折扣商品、爆款产品、引流产品轮番轰炸，试着提升M、F以后再做分群（如下图）。 RFM的扩展应用 当你理解了RFM的原理之后，你会发现它非常好用，试问，除了零售消费外，还有没有其他业务场景，也符合以下情况： 1、用户行为频率很高 2、用户之间行为差异很大 3、需要考察一段时间内累计行为 有！比如典型的互联网产品分析，特别是内容型产品（短视频、小说、社区论坛）、工具型产品（在线文档、OA等SAAS产品）和社交产品，都符合这个特点。比如逛知乎，用户浏览行为非常多，且看一篇文章时间很短，转发点赞也都是一瞬间的事。此时可以仿效RFM模型，构造一个分析用户行为的模型。 比如统计： R（recency）最后一次登录距今多久 F（frequency）最近1周内登录频率 Q（quantity）最近1周内累计登录时长 此时，就可以区分出轻中重度用户，并且根据R值大小，制定召回计划。我们姑且管它叫RFQ模型好了（如下图）。 同RFM的弱点一样，RFQ并没有考虑用户的内容类型偏好，因此需要结合内容类型来看。特别是针对F、Q较高的用户，要关注其是否对某一个垂直内容/特殊功能特备有需求。对于FQ都很低的用户，处理原理同样是：用爆款内容去轰炸，先撩起兴趣再说。 |
 |
