精细化运营的用户分层方法论——RFM

在电商广告系统中，发促销券给客户，刺激更多的广告收入这是常见的营销方式，但是促销券有很多种：固定价格的红包、满减券、限时券，积分券等等，不同的促销券应该发给谁，怎么发才能收益最大化，是互联网运营的经典问题。

有没有很好的办法可以把客户分成不同特性的群体，对不同的特性，发有针对性的促销券，取得最好的营销效果呢？

答案是，当然有。这次就主要来讲一下经典的用户分层模型——RFM模型

RFM模型是广泛使用于传统零售行业的用户分层模型，它用三个维度的数据来划分消费用户的层级，分别是：

R（Recency）：离某个时间点最近的一次消费，为「近度」维度；

F（Frequency）：一段时间内的消费频次，为「频度」维度；

M（Monetary）：对应这段时间内的消费金额，为「额度」维度。

通过RFM模型，可以划分出用户的层级，如下表：

我们将R、F、M各切分了5个等级，构建出了125个模块，3000多样本，占据了其中77个模块。这125个模块，会对应出上表中的8个级别的客户。

通过这样一个分层的模型，我们就得到了多个用户群体，从而可以衡量不同的用户价值，及不同的转化阶段，针对特征做对应的运营策略。

那在电商广告的场景下，如何应用RFM模型呢？

广告推广中的情景会有其特殊性。传统RFM模型中，用户只要有消费的意愿，那他就有能力去消费，但互联网广告中，仅有消费意愿的客户并不一定能够花的出去钱，还要具备一定的推广技巧才能够把钱花出去。所以在RFM在广告推广场景中，解决的是客户的充值问题，而不是消耗问题。

定义好模型应用的边界，我们就要确定各维度的指标了：

R是为了衡量客户充值行为的时间衰减，指标应该是最近的一次充值行为。

F是为了衡量客户行为的忠诚度，指标应该是账户充值的次数。

M是为了衡量客户的消费能力，指标应该是充值金额。

至此针对客户在推广中的行为，就可以分层出8个客户群体。对R↓F↓M↓的客户发放定额红包，鼓励尝试推广，刺激进一步转化。对R↓F↓M↑的客户发放限时促销券，刺激他更高频的消费。对R↑F↑M↓的客户发放满减促销券，刺激他更高额度的消费。

这样就可以有的放矢的展开自己的促销活动，对整个客户整体获得最大化的营销收益。

用户分层也需要辩证的来看

用户模型可以固化，但用户层级永远不会固化。

对于不同的产品，其生命周期其实往往是相似的，从初创到发展，到成熟，到衰退，再到消亡。

唯一的不同是，不同产品可能有不同的生命周期的长度，而这种长度上的区别，往往落脚点是看运营的精细化做到了什么样的程度。

大家应该都听说过淘宝营销工具可以做到千人千面，但千人千面不是一天落实的，它是从采集用户行为，到分类用户行为，聚合、交叉，得到不同的用户集合，通过不同的营销尝试看待转化效果，最终得到一个不断发展的巨大模型。这本身就是对用户分层工作最大的褒奖。

不管你有1000个用户，还是1000万用户，如果你能做到随手取出任何一个用户，就知道他属于什么样的级别，什么样的活动对他有效，什么程度的让利可以推动购买，你的运营效率就会大大提升。我想这也是很多人想要了解用户分层及精细化运营背后最简单直接的逻辑。