目录
1.什么是RFM模型
RFM是针对付费⽤户,利⽤交易⾏为数据进⾏⽤户价值分层的经典模型,常⽤于⽤户研究和⽤户精细化运营。
如下图所示:
上图来自百度百科。
RFM分别表示为:
- Recency:(近度,统计期内最近⼀次消费时间距离现在的时间间隔天数)衡量⽤户的新鲜度,消费时间越近的⽤户,越容易维系客户关系;即 R 值越小,用户的活跃度越大,用户的价值就越高。
- Frequency:(频度,统计期内消费频次)消费频次是⽤户在⼀定时期内购买的次数,购买次数越多,忠诚度越⾼;即 F 值越大,用户的忠诚度就越大,用户的价值就越高。
- Monetary:(额度,统计期内消费⾦额)消费⾦额是交易的核⼼指标,直接体现⽤户购买⼒和对企业的价值贡献;M值越大,表示客户价值越高,反之则表示客户价值越低。
RFM的8层分类⽤户解析:
2.RFM模型的作用
RFM模型主要是⽤于⽤户价值分层,对不同价值⽤户采⽤不同的运营策略,实现精细化运营,能够精准定位⽤户需求,实现策略效果的最⼤化。
3.使用RFM模型
3.1.计算规则
基于统计学的均值计算
分别对R、F、M计算【算术平均数 or 中位数】计算出阈值。
注:若数据呈现正态分布,该计算⽅式是符合要求的,但往往业务数据并不是如此,所以,此⽅式只能说具备统计学意义。
计算过程如下:
对于某个客户,如果其R值⾼于群体平均R值,则该客户属于R↑,反之属于R↓。
对于某个客户,如果其F值⾼于群体平均F值,则该客户属于F↑,反之属于F↓。
对于某个客户,如果其M值⾼于群体平均M值,则该客户属于M↑,反之属于M↓。
基于业务的专家打分
规则:根据业务数据特点分别对R、F、M的进⾏区间划分,然后对每个区间进⾏【1-5】的打分,对每列打分结果计算均值,作为阈值,得分⼤于等于阈值记为⾼,⼩于阈值记为低。
特点:专家打分更贴合业务,但是结果受⼈为打分影响较⼤;具备较强的业务意义。
灵活参数配置
规则:根据不同的运营⽬的,可设置不同的参数,对RFM进⾏灵活运⽤,⽐如:只针对R和F进⾏建模、 只对出近⼀个⽉成交⽤户进⾏运营。
特点:把RFM模型根据实际应⽤场景进⾏灵活运⽤,可对RFM三个指标进⾏某⼀个、两个的使⽤,也可以针对某段时间具备某些特征的⽤户进⾏运营。
3.2.案例
可参考我之前的文章,用户分层(RFM模型)部分:
之前发的另一篇文章也涉及到了RFM,可参考用户价值分析(RFM模型)部分: