什么是RFM?

MusicDancing

已于 2024-05-26 17:27:48 修改

阅读量265

点赞数 8

分类专栏：用户画像文章标签：大数据

于 2024-05-23 14:55:41 首次发布

本文链接：https://blog.csdn.net/MusicDancing/article/details/139147185

版权

用户画像专栏收录该内容

4 篇文章 0 订阅

订阅专栏

1. 背景

客户价值模型RFM 是一种做用户精细化运营的常用分析方法，通过R、F、M这3个指标对客户进行分群，用来量化用户价值，对不同价值的客户使用不同的运营策略，把公司有限的资源发挥到最大的效果。指标含义：

1. Recency(消费时间间隔)：最近一次消费时间与截止时间的间隔。通常最近一次消费时间的间隔越短，客户对商品或服务最有可能感兴趣；

2. Frequency(消费频率)：客户在某段时间内所消费的次数。消费频次越高的客户也是满意度越高的客户，其忠诚度越高，客户价值越大。

3. Monetary(消费金额)：客户在某段时间内所消费的金额。消费金额越大的客户，消费能力自然也越大。

RFM是目前比较主流的用户分层方法，主要用来研究付费用户。根据业务需要，也常把RFM换成对应的活跃指标，如最近一次登录时间、登录频次、活跃时长等维度，以此来做用户分层，用于研究活跃、留存的情况。

RFM作用总结为2点：

1. 根据用户价值，对用户进行分类；

2. 根据用户分类进行精细化运营，最大化用户价值。

2. 需要的数据&优缺点

1. 需要的数据

RFM模型需要的数据非常简单，即：

1. 人：用户ID；

2. 时：交易时间；

3. 钱：消费金额。

另外在做模型分析前也要确定好分析的起止时间。

2. 优点：

1. 需要的数据较少;

2. 相对其他聚类算法，用户分层简单清晰，可解释性好，操作方便。

3. 缺点：

主要是做付费用户行为的研究，适用于复购较多的业务场景；(如快消、电商、服务业等，这些行业的用户基本只有挑选-付费的环节，付费流程短、复购较多)。其他行业因为支付决策路径的增长，影响支付的因素就变多了，只看RFM模型而不看活跃、留存、体验等环节的话，最终模型的效果可能就大打则扣。

3. RFM划分的8类用户

RFM模型能很好的界定出8类用户，并针对这8类用户做精细化运营策略。

1. 定档位

对每个用户的R/F/M 值做高低档位划分，分别划分出2个档位，即：R高/低、F高/低、M高/低。通过不同的RFM高低档位的组合，可划分出8大用户类别，如图：

2. 划分用户类型

根据RFM值的高低定义用户价值，一般可划分为：沉睡VIP、流失熟客、流失土豪、完全流失、活跃VIP、普通熟客、潜力VIP、普通新客。

分类	R值	F值	M值	用户类型	备注
1	低	高	高	活跃VIP	重要价值客户
2	低	低	高	潜力VIP	重要深耕客户(忠诚度不高，但很有潜力，必须重点发展)。
3	低	高	低	普通熟客	潜力客户(客户忠诚度高，持续购买意愿较强，是有潜力的客户)。
4	高	高	高	沉睡VIP	重要挽回客户(一段时间没来的忠诚客户，需要主动和他保持联系)。
5	高	低	高	流失土豪	重要挽留客户(将要流失或者已经要流失的用户，应当采取挽留措施。)。
6	高	高	低	流失熟客	一般维持客户(已经有相当一段时间没有再继续购买，由于消费金额并不高，没有必要花太大成本去挽回)。
5	低	低	低	普通新客	新客户
8	高	低	低	完全流失	流失客户(对我们产品不再感兴趣的客户)。

4. 解读用户类型

充分理解这8类用户的特征，制定合理的营销计划，做精细化运营。

如 R低F高M高的用户，说明该用户近期在活跃中、在近期复购频率较高、花费金额较高，属于活跃VIP用户。可以针对这类高质量用户做优质的活动邀约和品牌活动。但因为此类用户本身黏度就很高，可考虑适当减少在此类用户身上过度营销。

一个案例：

一个快消品公司的运营，因营销节日将到，需要准备一个营销活动，但预算有限，那么开展工作的思路是什么呢？

因预算有限，不能广撒网，跟据RFM模型，找出8大类型用户，并做如下分类：

维护方式	用户分类	备注
砸钱	沉睡VIP、潜力VIP、流失土豪	曾经为产品付费过，可适当给一些优惠，砸钱召回。
普通维持	活跃VIP、普通熟客、普通新客	要么是铁杆忠实用户，要么是长久以来的白嫖用户，相同的营销费用下去，可能没有那么高的性价比。
放养	流失熟客、完全流失	没有为产品付费或者再也不活跃了，如果有多余的营销费用的话，再做流失用户打捞。

注意：不同行业和产品之间可能存在差异，具体的用户分类和维护方式，需要视情况而定，不可生搬硬套。

5. 数据处理

1. 取1-6月的交易数据，表中包含“人、时、钱”三要素，如图：

2. 对uid 进行去重处理；

3. 新增5个辅助列(R、F、M、最后一次交易日期、分析截止日期)

4. 计算每个用户的“最后一次交易日期”；

5. 确定分析截至日期(本次数据日期定位2020/7/1)；

6. 计算R

找到每个用户最后一笔交易的日期，用“分析截至日期”-“最后一次交日期”得到R。

7. 计算F

选定历史交易次数的统计时间窗口，统计交易or活跃次数。

8. 计算M

选定历史交易金额的统计时间窗口，统计累计交易金额。

6. 用户分层方法

6.1 均值法

通过RFM 的均值高低，确定每个用户的价值高低。缺点：如果数据分布不均匀，极值比较大，并不能代表实际的用户情况。均值法计算步骤：

step1: 定挡位

1. 分别计算出“R｜F｜M”列的均值；

2. 新增辅助列“R挡位-均值法”、“F挡位-均值法”、“M挡位-均值法”；

3. 制定挡位规则，R挡位≤均值的为一档并用数字1表示，>均值的为一档并用数字0表示；F和M挡位≥均值的为一档并用数字1表示，<均值的为一档并用数字0表示；

4. 分别比较R｜F｜M计分和R｜F｜M均值的大小。