RFM模型及其用户运营实践

背景介绍】

网站付费用户在40万 +，目前只有针对新用户和流失客户（大客户部分）两大人群做专门运营活动，从开源和节流两个层面上保证付费盘子的扩大，但对于现金牛用户（除了新用户和流失客户）一般能触及到的就是全站营销活动，但试想网站格子市场相差如此之大（最贵格子7天置顶1288元，最便宜格子7天置顶5元），用户的消费能力也必然相差较大，不进行精细化运营很难保证营收的最大化。于是我们引入用户分层的模型RFM，此模型在电信等其他行业已经成熟运用。

RFM（Recency，Frequency，Monetary）分析是一种营收市场技术，主要是通过分析付费用户的行为，对付费用户进行分层，从而达到精准营销的目的。有兴趣可参考 : RFM模型_wiki。RFM的变体 RFD（Recency，Frequency，Duration）也可用与于对网站用户的其他行为分析，详情及其他变体不在此赘述。

【参数解释】

• R：最近一次消费距今天数(Recency)
• F： 消费频率(Frequency)
• M：消费金额(Monetary)

【前提假设】

• 最近购买产品的用户更容易产生下一次消费行为
• 消费频次高的用户，用户满意度高，忠诚度高，更容易产生下一次消费行为
• 消费金额高的用户更容易带来高消费行为
• 具有相同RFM_value  的用户有相似的市场行为

【数据挖掘&数据化运营】

这里主要介绍RFM模型在网站营收付费用户的应用（Case Study），主要分为以下几个步骤：
Step1，RFM 分析和付费用户分层（cluster）
Step2，跟踪用户在不同状态的转移 （classification）
Step3，付费用户的产品推荐（association rule）（有可能不做，因为产品较少且产品相似度较高）

具体环节参考图1：

图 1

一、RFM分析和付费用户分层

1.1 RFM指标重新定义

• R (Recency)近度，用户最后一次付费（cash）日期距今天数
• F(Frequency) 频度，用户在半年时间内的付费（cash）次数
• M(Monentary) 值度，用户在半年时间内总付费（cash）金额

以上付费行为只考虑置顶大类(置顶，十万火急，至尊展位) + 套餐包

1.2 RFM分析

R-F-M分别按照5,4,3,2,1进行赋值,分别给出R_Score,F_Score,M_Score,

• R 按照数值递减排列，按数值区间依次分别赋值5,4,3,2,1
• F 按照数值递增排列，按数值区间依次分别赋值5,4,3,2,1
• M 按照数值递减排列，按数值区间依次分别赋值5,4,3,2,1

1.3用户分层（聚类方法）

按照R_Score，F_Score，M_Score进行用户聚类，采用方法为K-Means，后续优化采用K-Means + + ，共分8类，并给RFM赋予权重（目前权重采用R:F:M = 0.25:0.25:0.5），计算各类的用户价值。

1.4 结果解释

• 【cluster4,3,8】重要价值客户，占比18%
• 【cluster5,7】重要保持客户 ，用户近度比较低，需要关怀
• 【cluster6】重要挽留客户，用户近度和频度都较低
• 【cluster2】一般发展用户，用户频度和值度较低，可做up营销
• 【cluster1】44%的用户贡献值很低，为无价值客户，可以采用一般挽留手段

说明：

• 用户分为8个cluster
• 最后一次付费距今，购买频次，总付费金额，R，F，M均为每个cluster的均值
• 客户价值 = 0.25*R + 0.25*F+0.5*M，反映用户的价值

1.5 数据运营案例

这里先选取重要保持客户作为营销的案例，主要分为2个环节：营销测试和营销正式上线，正式上线时考虑开发成本，选取的是模型的简化规则。

1.5.1营销测试

提取重要维持客户进行用户唤回，具体测试如下：

• 活动时间：2015/6/30~2015/7/7
• 活动对象：利用RFM模型 挑选出 重要保持客户[特征：R （最近付费距今天数）较小，F（消费频次）较大，M（消费额度）较大]，并按照CLV（客户终身价值）的高低分成2组用户进行用户唤回。发券时进行用户筛选条件收紧：30天无accrual消费
• 活动方式：按上次消费产品和格子，发放3天置顶5折券
• 活动有效期：7天
• 活动渠道触达 ：站内信&短信&微信&私信
• 结果：CLV较低的用户用券率和ROI更高，也会作为后续运营的重点。

1.5.2营销上线

模型简化后，营销上线的条件如下：

• 近30天没有置顶大类 cash 收入
• 近半年置顶大类总消费频次 >= 5次
• 近半年置顶大类总消费金额 >= 100元
• 近30天没有置顶大类 accrual 收入
• 非VIP用户

上线时间：2015/7/20,后续每周一11点run一次
活动类型：现金抵用券
券使用范围：用户最后一次消费的AD所在的格子
券类型：根据用户最后一次购买过的置顶类产品，购买的是置顶送置顶券，火急送火急券，至尊送至尊券，都没有就送置顶券
券金额：3天置顶/火急/至尊的5折金额的现金券
券有效期：14天

二、跟踪用户在不同状态的转移

随着时间的推移，用户很可能会在不同类别之间流转，譬如“重要保持客户”转变为“重要挽留客户”，如何预测用户在一段时间后的状态，及时做出市场动作，就显得比较重要，这里主要通过用户的属性来预测用户在4周后（选做4周的原因见下表）的类别，从而达到跟踪用户状态转移的过程。

	1周后	2周后	3周后	4周后
用户状态改变率	0%	12%	18%	24%

注：用户状态改变率 = ？周后状态改变的用户数/总用户数

这里主要是用到了数据挖掘中的多元分类机器学习方法，主要尝试了Naive Bayes，k-近邻(KNN)，决策树，随机森林，神经网络等方法，其中预测准确率比较高的是随机森林，神经网络和决策树，这里欲采取决策树方法，主要原因：（1）通过调参可以达到和随机森林及神经网络差不多的准确率ACC；（2）AUC值相对比较高；（3）结果可解释性比较强。

【附】多元分类器的性能比较

	决策树       （Decision Tree）	神经网络 （ANN）	Naive Bayes	K-近邻（KNN）	SVM
准确率（通常情况）	2	3	1	2	4
算法速度（耗时）	3	1	4	4	1
对缺失值的处理	3	1	4	1	2
对冗余feature的tolerance	2	2	1	2	3
对高相关feature的tolerance	2	3	1	1	3
feature的离散和连续的要求	—	3（离散）	3（连续）	3（直接离散）	2（离散）
对噪声的tolerance	2	2	3	3	2
overfitting的处理	2	1	3	3	2
可解释性	4	1	4	2	1
参数处理	3	1	4	3	1

说明：1-4分是对各算法的表现进行打分，4分表示best，1分表示worst