所谓的RFM模型，你真的用对了吗？

大家好，我是阿粥。

在上一篇文章中，说句心里话，别轻易把RFM模型写进简历！

和大家聊了聊实际使用RFM会遇到的问题：

也收到了一些同学的反馈（不少私聊我想知道这些问题的答案）

今天，咱们再聊的深入点。

一、聚焦一个问题

RFM相关的项目，除了上面三个，还有很多深入的问题一问便知真实水平。

这些问题的答案，往往都藏在模型与业务思考中，本质是相似的。

这次，我主要讲清楚其中一个典型的问题：

RFM模型，用平均金额还是累计金额作为M会更合适？

“M既可以是累计金额，也可以是平均金额”。

事实上，目前大多数关于RFM的资料中M用的是累计金额。

累计金额衡量的是每个用户会花多少钱，而平均金额衡量的则是用户平均每次购买会花多少钱。除了在指标计算上不同，两者还有什么差异呢？

二、分类合理性

聚焦到用户身上，我们很容易发现：

累计消费了2000元的用户，大概率比累计消费500元的用户购买频次更高。

而几乎肯定比累计只消费50元的用户买了更多次。

更确切地说，如果用累计金额，那么RFM模型中的F和M将具有较高的相关性。

而RFM模型的本质目的是将不同类型的用户分成不同的群组。

两个相关性较强的指标最终的分类效果可能是会打折扣的。

平均金额，则在一定程度上避免了这种问题。

三、业务逻辑

从对业务的价值来看，重要价值用户，即R、F、M最终归为“高、高、高”的用户，一定是需要重点维护的。

但在累计金额的口径下，很有可能存在不少高频次、低客单的用户。

例如：

A用户最近3天购买过，且历史购买过100次，平均每次只消费40元，总金额达到4000元的水平（假设在模型中累计消费满2000就是M值就是高）。

那么，这名用户会满足R、F、M三高的条件，被打上“重要价值用户”的标签。

合理吗？

在实际业务场景中，对于这类用户，应该通过一些关联推荐、定向优惠等方式促进他们每次购买单价的提升，而不是将他们放在重要价值用户的分类中，没有针对性的维护。

但如果用平均金额作为M的统计标准，这类高频次、低客单的用户是会被分在另一个档位的：

A用户最近活跃，购买频次高，但平均每次的消费金额不高，属于“高、高、低”档的用户，需要重点提升每次购买的单价。

这样分类对于业务人员来说更有的放矢。

当然，不只是重要价值用户，其他用户也会受到口径差异的影响。所以，在不少实际应用场景中，平均金额比累计金额作为M值分类标准，更加合适。

当然，累计金额在一些场景中也有其优势，两者并不是水火不容的关系，重点在于从业务逻辑来思考模型的合理性，切忌生搬硬套。

相信大家可以触类旁通，举一反三~

以上。

最后，我在《Python电商数据分析实战：从电商实际案例出发洞悉数据分析全流程》的第11章『用户分群实战与加强版RFM模型』的理论部分也有聊过这个问题，实战部分提供了几十万的订单源数据与代码，除了经典RFM分类，还有加强版RFM建模的应用。

感兴趣的朋友可以看看：

<<< 点击大图后，右滑查看更多 >>>

附上我专属的粉丝限时5折购书渠道：