正文

RFM模型的优缺点

发布时间：2023-04-13 17:29:13 稿源：创意岭阅读： 108

大家好！今天让创意岭的小编来大家介绍下关于RFM模型的优缺点的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端

官网：https://ai.de1919.com。

创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008

本文目录:

1、RFM模型分析实战
2、【知识分享】RFM模型与顾客生命周期管理（二）
3、用户分层-RFM分层方法论
4、基于RFM模型用户价值分析（K-Means聚类）

RFM模型的优缺点

一、RFM模型分析实战

新版本迭代后增加vip歌单功能，用户需购买vip成为会员后方可进行播放行为。因此，主要对vip用户数、付费率进行监控。

自上线以来，付费率无明显提升。想着看下哪些用户适合定向推送vip内容，哪些适合赠送vip以增加粘性，因此有了这次RFM探索性分析模型。

通过RFM模型，探索用户价值，将用户分重要价值用户、重要发展用户、重要保持用户、重要挽回用户等8个层级进行精细化运营。目的是提高产品付费率。

R：最近一次发起播放的日期（原：最近一次消费到当前的时间间隔）

F：近半年发起播放的总次数（原：固定时间内购买次数）

M：近半年发起播放的总播放时长（原：固定时间内消费总额）

104w条记录，F最大值183，最小值1，还算正常；M最大值730w分钟，均值267分钟，需要清洗；R日期正常。

uid设备id也存在null和不符合规范的情况，也需要清洗。

图上处于波浪趋势，天数越久远波动越小。

柱形图呈长尾分布，说明更多用户近半年仅播放1次就流失了，大于60以外的用户属于高频播放用户，稍后在分箱时尤其注意。播放日期也是同样

这里有个默认的说法：

最近有过播放行为的客户，再次播放几率更高；

播放次数高的客户比播放次数低的客户更有可能再次播放；

播放时长较长的客户更有可能再次播放；

将RFM三个字段以3位分界线，大于等于3值认为是高等级变更为1，小于3认为低等级变更为0

后续补充

事后运营同学针对不同用户有针对性的开展相应的活动：

做RFM模型时，最让我头疼之处在于分箱，因为真实的业务数据中播放时长和播放次数肯定是小占大量，也就是长尾分布，查了很多有关分箱的资料。经过试验发现并不适合等频和等距，于是只能用自定义分箱，这里不确定自定义划分的准确性，如果以后在学到可用的资料，我会及时更新本文。卡方分箱看到一篇好文章，准备试验一下~感谢，听我的碎碎念！！！Peace and love❤️

二、【知识分享】RFM模型与顾客生命周期管理（二）

二. RFM模型的应用

说到应用，主要可拆分为三个步骤：进行客户细分、输出目标客户还有针对性的二次营销。与一般想象不同，并不是细分维度越多越好——我们主要有两个指标来帮助自己选择合适的细分指标：一是店铺规模，而是店铺的商品和顾客结构。比如一个只有百人客户群的店铺，那么其用户画像的丰富性一定不及饿了么的外卖群体；一个只卖母婴产品的垂直网站，其典型的用户画像一定是母亲和幼儿，不论其用户群大小。

这张表格阐述了营销方法、客户细分以及营销策略三者之间的关系。从R值可区分顾客的活跃程度，从F值可以区分顾客的忠诚程度，从M值可以区分顾客的可获利程度。

我们可以根据RFM的综合值给每个用户进行打分（线性？三维立体？），分数越高的顾客对店铺的意义和重要性越大。但不代表分数低的那些组人员需要放弃。相反，我们再次强调的是对于不同的顾客，营销策略要差异化。

CHAPTER THREE 顾客生命周期管理

生命周期，born-grow-flourish-decend-death，有生有亡，这是个必然的过程。顾客也是，每天有新人来，每天也有顾客遗忘你。作为店铺管理者，需要关注的重点是如何有效的划分客户生命周期以及如何针对不同生命周期客户制定有效的营销策略。

上表以店铺售卖商品类目回购周期为维度，划分了生命周期的五个阶段，并标明了客户特征。供大家参考。

CHAPTER FOUR 顾客生命周期营销

结合上一张图的顾客营销策略，这里是一张示例的计划表。

这张图列举了目前市面上可见的维系类活动与营销类活动。

三、用户分层-RFM分层方法论

我们都知道，所有的运营工作都是围绕着用户展开的。运营策略从某种程度来说，就是资源对用户的有效分配。那么，知道什么用户应该制定什么样的运营策略，就尤为重要了，而这就要依赖于我们的用户分层了。

在运营过程中，用户分层的作用很明显，它能 帮助我们把用户分成各个层次和群体，然后我们根据各个层次和群体的不同，才能有的放矢的制定出更精准、更有针对性的运营策略。

我们在运营工作中，经常会听到“用户画像”、“用户分层”、“用户分群”这几个词，貌似有些类似特别是后面两个，但如果严格说的话，还是有区别的。

本篇准确地说应该是包括了“用户分层+用户分群”，这里就统称为用户分层了。而本篇我们也会通过一个实例，用一张Excel表作为工具，从零开始一步一步的完成一次用户分层过程。

关于用户分层，我们需先明白以下几点：

一、用户分层在不同的行业中是不一样的，而且可能是多样化的。

比如滴滴打车，用软件打车的人是一种用户；司机也是一种用户；广告商也是一种用户。如果要做用户分层的话，就需要对这三种类型的用户分别做一套不同的用户分层体系。

二、用户分层在产品发展的不同阶段会有不同的变化。

比如我们区分价值用户和一般用户，

初期我们产品少，一个月买2次化200元钱可能就是我们的价值用户了。

随着公司的发展我们产品的不断增多，需要一个月买10次化5000元才有能算是我们的价值用户了。

三、用户分层需要定性和定量

如上面的例子一样，我们需要对用户有一个定性的过程，如价值用户、一般用户，或者VIP，超级VIP等等；然后必须要对此进行定量，比如消费多少金额才能算价值用户。

那么如何用科学化的手段进行一次用户分析，以确定各用户群体的行为特征，完成一次用户分层的过程，就必须要说到经典的RFM用户模型了。如下图：

RFM模型历史悠久，其理论知识这里就不阐述了，简单的说就是通过 最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)这三个指标 ，然后把每个指标按照实际的情况，分成5档，一共形成了125类的用户。然后为了执行方便，把125类的用户归纳成8大类， 如下图 ，最后根据这8大类用户的情况制定运营策略。

这里要说明的一点是，RFM模型不是互联网时代的产物，事实上在传统行业里也用的很广，所以其指标主要针对的是付费用户。 如果我们的互联网产品用户人群是免费用户，一样可以用这个RFM模型并使用它的方法 ，只是指标换成了 最后一次登录、登录频率、产品使用时间。

接下来我们就用实例来操作一遍：

我们现在手上有500份付费用户数据，包含（用户、最后一次消费时间间隔、消费频率、消费金额）四个字段，我们如何进行用户分层并制定有效运营策略呢？

第一步：我们把数据导入或粘贴到Excel当中，再原有的4个表头基础上，再增加R值、F值、M值三个表头。做好这样一张Excel表，如下图：

（此处只选10条数据做实例）

第二步：分别确定好RFM这三个指标五档的标准。

这是比较难的一步，因为不同的行业不同的产品不同的阶段都有不同的划分标准。比如消费金额，1000个用户里面，最低1元，最高10000元。大部分情况下，20%的用户占据了80%的金额，而80%的用户占了20%的金额，是一个长尾的分布效果。所以我们不能简单的用最高金额/5，或者用户总数/5的平均分法，这样分出来的结果不能代表一个拥有类似行为表现的群体。

这个主要还是依靠大家在本身各自行业中的理解和实际场景需求来确定了。 当然，如果我们实在没有什么头绪的话，我们可以 通过散点图大致分辨一下 ，如下图：

大家可以看到，通过散点图，我们可以比较直观的看清用户的分布（上图为用户的消费金额分布）。 我们去分档的时候就尽可能的将密集的一部分分在一起，这样，该档用户群体的行为共性也就更大一点。

需要说明的是，这不是一个很严谨的分法，需要大家在实际过程中进行不断的调整。而如果我们面临海量数据的时候，最好是通过聚类算法等技术手段，才能更加科学精准的帮助我们进行判断。

以本例来说，我们最后定下了RFM各个指标下的五个分档标准。如图：

第三步：分别计算出每条记录的R、F、M值。

我们通过在Excel里面加入if判断，自动计算出该记录对应的R、F、M值，比如我们RFM分层表中，0001用户对应的R值，

即单元格E3：=IF(B3>10,1,IF(B3>8,2,IF(B3>5,3, IF(B3>3,4,5))))

我们来解释一下这条if判断语句：

同样的算法，我们写出计算每一条记录F值和M值的判断条件。

然后，我们把Excel的单元格往下拉，最后形成这样的图：

第四步：分别算出总的R、F、M的平均值。

这一步比较简单，我们以上全部算完之后，再最下面增加一行，用AVERAGE（）计算出以上所有行数的平均值。如图：

第五步：根据每条记录的R、F、M值和所有记录的平均值，判断出每条记录的R、F、M值是在平均值之上，还是平均值之下。

首选，我们先增加三个表头，如图：

然后，我们用每一条记录的R值来R的平均值进行比较，如果<平均值则显示“低”，如果大于等于则显示“高”。

我们还是用If判断语句进行自动判断，以上图为例，用户0001的“R高低值”即：

这样，我们就变成了下图：

这个时候，我们发现了一个问题，当我们把单元格往下拉的时候，E3固然变成了E4，但E13也变成了E14，由于E13是一个固定格子的数字，我们不希望它随着单元格的下拉而改变。我们就需要在if语句中在E13两边加上“$”这个符号了。

如下：

同时，为了更直观，我们设置一个条件格式，若文本中含有“高”则背景色为红色，若含有“低”则背景色为绿色。这时候再往下拖一下单元格，就变成这样拉，如图：

第六步：根据比较值，进行八大类的归类。

接下来，我们就要根据我们的“R高低值”“F高低值”“M高低值”，自动计算出我们的用户层级拉。我们先加个表头“用户层级”。

这一次，我们要写一串稍微长一点的IF判断语句，如下：

本文所写的都是在Excel里面的IF判断语句，建议大家能够自己写一下，不想写或写不出也没关系，直接保存好上面的if语句Copy一下直接用就行了（修改一下单元格的序号就可以了）。

最后，如下图：

当然，我们还可以在用户层级的表头上加上“筛选”功能，可以直接搜索到我们需要的那些用户。大家也可以通过不同的颜色来区分不同的用户层级，这个就自由发挥拉。

好了，到这里，我们就已经通过用一张Excel表，完成了一次用户分层的全过程。 这张表最后的效果是，就像一个程序一样，我们任意输入三个RFM数字，表格将自动会跳出这个用户的层级。 大家保存好这张excel表，以后用起来套一下就可以了，效率是相当快的。大家可以尝试自己从头做一遍，若有需要的话可在留言区留下邮箱，我会发送给大家。

完成后上面六步之后，我们已经得到了完成用户分层之后的所有用户记录，这时我们需要做成图表的形式，开个会、做个汇报啥的，如下图：

回到我们上面说的，做用户分层的目的是为了有的放矢的制定出更精准、更有针对性的运营策略。所以，我们最终我们还是回到制定运营策略上来。我们的例子可参考下图：

再接下来要如何具体实施和执行，就不在本篇文章的范畴里了。

用户分层是运营过程中非常重要的一个环节，快速的进行用户分层也是我们必备的一个方法。我们把用户分的层，其实用户本身是不知道的。如果我们分一个层级让用户知道，不仅知道而且还非常喜欢，以此来不断引导用户进行自我层级的上升。

四、基于RFM模型用户价值分析（K-Means聚类）

本次分析数据来源CDNow网站的用户在1997年1月1日至1998年6月30日期间内购买CD订单明细，对订单明细进行RFM模型的K-Means 聚类分析并提出运营策略建议

-- 每个数据一共4列，分别是用户ID、订单时间、订单数量、订单金额，数据类型都是数值型

-- 删除255个重复值

-- 共有80个，订单数均为1，可能是未付款订单或免费活动，没有明显价值，可以剔除

-- 数据集的时间在1997-01-01到1998-06-30日，因此将此次观察日期定义为1998年6月30日

RFM模型的定义：R为最近一次下单时间，F为购买频次，M为购买金额。提取所需要的字段信息：

-- 完成数据预处理