rfm用户分析模型（用户模型rfm的例子）

大家好！今天让创意岭的小编来大家介绍下关于rfm用户分析模型的问题，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、如何分析RFM模型才能最有效，才能真正起到精细化运营的作用？

• 2、RFM模型如何实际应用？

• 3、评估客户价值的三种模型：RFM、CLV、顾客社交价值模型

• 4、用户分层-RFM分层方法论

一、如何分析RFM模型才能最有效，才能真正起到精细化运营的作用？

举一个互联网餐饮的例子~来证明如何分析RFM模型：

如何通过外卖订单数据，分析用户的基本属性；

用户的订单上都有订餐地址，通过对于订餐地址的统计，我们可以查询到不同条件组合下的用户分布，甚至能知道喜欢某道菜的用户都在哪里。类似的用户数据挖掘，还可以根据复购构成、复购用户跨平台使用情况、性别组成做更精细化的分析。值得注意的是，数据平台间的差异还是蛮大的，有利于针对不同平台做出不同的营销策略。

上面这些最基本的用户属性对于精细化运营还是不够的。 因为这些信息无法帮助你解决下面四个问题——

1.谁是我的重要价值客户，他们都有什么特点？

2.谁是我需要重点保持联系的客户，他们都有什么特点？

3.谁是我的重要发展客户，他们都有什么特点？

4.谁是我的重要挽留客户，他们都有什么特点？

2.如何通过RFM模型，为用户分群，实现精细化运营

　RFM模型是一个被广泛使用的客户关系分析模型，主要以用户行为来区分客户，RFM分别是：

R = Recency 最近一次消费

F = Frequency 消费频率

M = Monetary 消费金额

需要详细了解以上三个指标定义的，百度会将维度再细分出5份，这样就能够细分出5x5x5=125类用户，再根据每类用户精准营销……显然125类用户已超出普通人脑的计算范畴了，更别说针对125类用户量体定制营销策略。实际运用上，我们只需要把每个唯独做一次两分即可，这样在3个维度上我们依然得到了8组用户。

重要价值客户（111）：最近消费时间近、消费频次和消费金额都很高，必须是VIP啊！

重要保持客户（011）：最近消费时间较远，但消费频次和金额都很高，说明这是个一段时间没来的忠实客户，我们需要主动和他保持联系。

重要发展客户（101）：最近消费时间较近、消费金额高，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。

重要挽留客户（001）：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当基于挽留措施。

3.如何在BDP个人版上建立RFM模型，帮助用户分群

这时候可能会有朋友问了，天啦，你这个三维模型，我没办法用BDP来建表格了。所以我们需要做的是将三维模型二维化，我们将R域切一块出来（即在近30天有复购的用户中做分析），压扁了就会看到。

上方的表示或许还是太学术了，简单的说

第一步：先挑出来近1个月的复购用户。

第二步：近1个月内复购用户的平均实付金额做纵轴。

第三步：近1个月内复购用户的购买次做横轴，生成表格。

第四步，你需要自己在这个表格上划红线。

横着的红线，代表着你认为来吃饭的客人平均每餐该花多少钱，我这里设定的值是25元，叫外卖25都没付到，对我而言是低消费金额（低M）用户。

竖着的红线，代表着你认为复购多少次的客人，是你的高频用户。外卖点餐流动率很大，一个用户每个月能在一家店点三次以上的菜，对我而言即是高频。

这样，BDP个人版上的RFM模型就建立好了。这个RFM模型在实操时有什么用呢？举个例子

比如对圈用户群发短信转化只有不到1%时，你可以用RFM做个分析，只选取R值高的用户(最近2周到最近一个月内消费的用户），转化率可以由1%提升到10%。

这也意味着，以往6元/订单将下降到0.6元/订单。掌柜们是愿意花600元给10000个用户发短信，得到100个订单，还是愿意花48元给800人发短信得到80个订单，相信大家一定会选后者。

而整体的RFM区分，则能够帮掌柜们针对不同的用户发不同的短信，短信的开头是用“好久不见”、还是用“恭喜你成为VIP”，就得看时重要保持客户还是重要价值用户了。只有能区分用户，才能走向精细化运营。

二、RFM模型如何实际应用？

这是一个人人都可以上手的模型，不管你是运营、销售、财务、市场等等，RFM模型是一个很通用，又有一套科学理论的商业模型。这是一篇我花了五小时的教程（真的是写到崩溃，幸好我熬下来了，给大家分享实实在在可上手的干货）数据源准备只需四个字段：客户名称、交易日期、交易次数/频率、交易金额。如果你手头刚好有这样的数据源不妨试试做这个模型吧。下面三页是介绍什么是RFM，后面是全部的实操教程，Tableau和Excel通用操作，我保证你看了能立马上手。如何通过订单数据，分析用户的基本属性用户的订单上都有订餐地址，通过对于订餐地址的统计，我们可以查询到不同条件组合下的用户分布，甚至能知道喜欢谋道菜的用户都在哪里。举个简单的例子，下图表示的是普通可乐和健怡可乐的用户分布，类似的用户数据挖掘，还可以根据复购构成、复购用户跨平台使用情况、性别组成做更精细化的分析。值得注意的是，数据平台间的差异还是蛮大的，除了跨平台分析也需要分平台对比，有利于针对不同平台做出不同的营销策略。上面这些最基本的用户属性对于精细化运营还是不够的。因为这些信息无法帮助你解决下面四个问题——

1.谁是我的重要价值客户，他们都有什么特点。

2.谁是我需要重点保持联系的客户，他们都有什么特点。

3.谁是我的重要发展客户，他们都有什么特点。

4.谁是我的重要挽留客户，他们都有什么特点。想要解答这个问题，我们需要动用更高阶的分析模型，去挖掘有效信息。如何通过RFM模型，为用户分群，实现精细化运营RFM模型是一个被广泛使用的客户关系分析模型，主要以用户行为来区分客户，RFM分别是：R = Recency最近一次消费F = Frequency 消费频率M = Monetary 消费金额需要详细了解以上三个指标定义的，可以去戳度娘，教科书式的RFM区分，会将维度再细分出5份，这样就能够细分出5x5x5=125类用户，再根据每类用户精准营销。

三、评估客户价值的三种模型：RFM、CLV、顾客社交价值模型

笔者一直从事于用户运营领域，很多情况下都是要在资源有限情况下，去最大化的撬动效益，如何挖掘能创造最大价值的客户就是用户运营的最基础工作了。这个和基于用户价值的细分模型基本上是一个意思，注意本文讨论的用户价值指的是用户对企业创利能力的衡量，而不是传统营销学理论中企业为客户提供的价值。

本文我们会来谈谈常用的几个衡量客户价值的模型，以及它们的区别和应用场景。

提到如何衡量客户价值，RFM基本上是头脑中第一个想到的模型，也是大部分运营人员都会接触到的。根据Arthur Hughes的研究，发现客户的数据中有三个非常重要的指标：

这三个指标非常有意思，我们可以从中将用户的活跃度，忠诚度和消费能力评估出来，如下图：

按照案例中的情况，我们分别将R\F\M三个值都再细分成了4个等级，现在大家可以思考一下：000代表了什么客户，她与004的区别在哪里？她们的价值是否不同，是否要区分维护？

在下面的表格里，我会列举当中一些具有明显特征的用户价值细分，大家可以好好体会一下：

最后以一个问题，结束对RFM的探讨，大家认为040与004，哪个价值更大些呢？

我们知道并不是所有的顾客都具备相同的价值，如果企业能够专注于那些可以带来最大未来利益的客户，就可以实现更好的运营。所以企业必须识别出这些客户，CLV是对客户未来利润的有效预测，它还有另外一个名字，叫做LTV （life time value)。

实际上这个模型在中小企业的具体运营中应用到的不多，更多是在做年度规划，年度财务核算，或者企业战略中会较为常见的使用，以站在企业的战略层面去考虑顾客价值与投入之间的关系。

这里需要特别说明的是，CLV考虑了完整的客户生命周期，包含客户获取和客户流失，也就是它计算的不只是眼前顾客已经产生的价值，还预测了未来价值。

CLV的计算公式有非常多，有的会非常复杂，主要在流失率这个环节和影响因素就相当多，也有会加上投入成本，价值变化率和利率变化等等。

我认为比较实用简单的是这种：

注意此公式对群体有效，对个体精准度较低，因为个体流失率影响因素太多，而群体流失率却是可以统计的。

那对于CLV的应用，可以从以下两个模型来看，将企业的最优客户与不值得投入的客户区分出来：

最后也以一个问题，结束对CLV的探讨，大家认为这个公式实际应用中如何提高计算的精度呢？

（1）顾客社交活跃度模型

其实这个是我写这篇文章的初衷，实际上在我目前的工作中，单独用以上基于顾客消费属性来给顾客做价值判断和细分已经很少见了。在目前新的商业环境下，品牌与用户不仅仅是消费购物，推送产品的关系，而更多是互动与彼此认知。单个用户自带的传播属性和影响力，反而收到了越来越多的重视和运用。

用平实的语言来说，顾客的价值不仅仅是她给企业直接带来的现金利润，也应当考虑用户对企业美誉度，传播度的价值影响。

最近看到的对于顾客社交价值测算的模型还是非常有用处的，分享给大家。

这个模型用于区分品牌的社交活跃度用户，这部分用户在对于品牌ugc内容产出，社区活跃度上起到很大贡献。

（2）顾客影响力模型

这个模型在于找到品牌中的影响力人群，目前的KOL影响力毋庸置疑，如果品牌能从自身用户中发觉培养，定能起到四两拨千斤的作用。

以上就是三种常见的用户价值分析模型，那在日常运用中，还是要化繁为简，考虑实际运用场景，选择适合的运用模型。

这里给到大家的建议是将模型计算的结果标签化放在每个用户身上，比如：用户A，可以给她贴上“活跃度高，影响力弱，可获利客户”等等，那么在实际运用中，即可灵活根据标签筛选人群，进行营销策略。

四、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。

以上就是关于rfm用户分析模型相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。

推荐阅读：

血沉和aso及RF高说明什么问题（aso增高,血沉增快,c3降低）

RFM管理分析（rfm分析案例）

rfm计算方法（rfm值计算公式）

包装形式有哪些（包装盒样式）

推广营销!精准营销!（精准营销推广方案）