从0到1构建用户画像（三)

这一节我们来介绍用户RFM模型

在以用户价值来做用户模型当中，其实是有两个方向。一个是基于用户生命周期，也就用户在产品内的成长路径进行的生命周期模型的搭建。另一个就是基于用户关键行为进行搭建。其中RFM模型是最典型的，是衡量用户价值和用户创利能力的一个重要的工具和手段，早被广泛应用在各个行业中了。

基本定义

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。

RFM的含义：

R（Recency）：客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。

F（Frequency）：客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。

M（Monetary）：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。

模型优点

客观 - 利用客观的数字尺度，对客户进行简明而翔实的高水平描述。

简单 - 只需要客户的消费时间和消费金额两个字段，业务人员就可以在不需要信息部门或复杂软件的情况下就能有效使用它。

直观 - 这种分割方法的输出很容易理解和解释。

建模过程

1.获取数据

需要3个数据库的原始字段记录：客户名称（或者客户ID/客户电话/客户邮箱）、消费时间、消费金额

进而整理出4个字段：客户名称、上次交易间隔R、交易频率F、交易金额M三个原始字段

2.RFM分箱

给R、F、M三个分级字段设定打分规则，然后分别算出三个字段值的过程，就叫分箱。

首先是打分级别，即可以把数据分成几层，通常为5的倍数级别，可以根据自己客户体量来调整；其次是具体打分规则，有两种：

简单的固定范围

比如，如果有人在过去24小时内购买过，则将其分配5，在过去3天内，对其进行评分4，如果他们在本月内购买，则分配3，过去6个月内分配2，其他人为1。

范围的阈值取决于业务的性质，可自定义频率和货币值的范围，更多的适用于对个人的客户。但是对于RFM分数的固定周期/范围计算存在挑战，因为随着业务的增长，分数范围可能需要经常进行调整。

按层次分级（AHQ分级）

如果数据饱满并且数据质量不错的话，更推荐这种分级方法，即把所有记录按照从小到大排序，然后按照大小的位置来给分。因为范围是从数据本身中挑选出来的，它们均匀分配客户并且没有跨越等级。

3.用户分类

各个记录有了对应的R、F、M的值后，接下来需要对各记录的R、F、M值具体判断处在所有记录中的水平高低。

计算参考值

要判断水平高低肯定要有一个判断标准，可以是R、F、M的平均值/中位数/以标准差校正后的值。

和参考值比较

和计算出的参考值进行比较，判断每个客户的得分是高于平均分还是不高于（低于等于）参考值，根据和参考值比较结果进行用户分类。

模型建议

打分方式

为便于获取数据和使用，建议结合业务实际设置固定范围的打分规则。其中的M值建议选择客单价格作为参考依据。(具体的打分规则需要结合客户历史销售数据和业务侧实际确定）

参考值选取

传统的理论建议将R、F、M三个指标会将维度再细分出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。但显然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，通常只需要把每个维度做一次两分即可，这样在3个维度上我们依然得到了8组用户。为方便取数和计算，建议选择各项平均值作为参考系数。

分类结果

最终根据上述比较就会得到8个分类的结果（R2种结果F2种结果M2种结果=8），参考下图的客户级别分类（得分1为高于参考值，得分0为低于参考值），对客户类型做了较为明确的定义。