RFM模型

本文章转载自【知乎-思辩大使】的文章，本篇只作个人学习使用

原作者链接【数据分析实战系列（一）——RFM模型 - 知乎 (zhihu.com)】

一、背景

2019年接近尾声，对于来说整个互联网行业也是腥风血雨的一年，流量的争夺战愈演愈烈，背后的原因是获取流量变的越来越难，对于一款APP来说，用户流量无疑是立足之本；大厂争夺流量，我们这些小虾米只能勒紧腰带过日子，尽可能减少用户流失，挖掘现有用户的价值

这不，最近我们也明显感受到获取高质量的用户越来越难，从用户身上获取价值越来越难，在这种情况下，之前那种野蛮的打法（对所有用户使用同一套策略）是对公司资源的一种浪费，我们必须精打细算，争取做到每一笔资源成本都能落在刀刃上，所以精细化的运营就显得尤为重要，针对不同的用户群体，我们需要做不同的策略，只有这样才能对症下药，才能最大化挖掘用户的价值

既然我们要针对不同的用户群体做运营策略以达到挖掘用户价值的目的，那首先第一步，我们就需要根据用户的价值划分用户群体，RFM模型是一种比较高效简单的衡量客户价值和客户创利能力的重要工具，这里，我会以实际的业务操作来讲一下我们是如何使用RFM模型给我们每月创收提升15%~20%的（注：以下涉及到的数据都经过改动处理，并无实际数据，重点是在于方法论）

二、RFM模型解析

1、什么是RFM模型

RFM模型是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个维度来描述该客户价值状况的客户分类模型，这3个维度分别表示为：

• 最近一次消费距离现在的时间 (Recency)：这个值越小对我们来说价值越大；
• 某段时间内消费频率次数 (Frequency)：这个值越大越好
• 某段时间内消费金额 (Monetary)：这个值越大越好

这3个维度可以根据实际业务来确定，比如针对社交类产品，最近一次活跃距离现在的时间比最近一次消费距离现在的时间更适合

2、RFM模型如何给用户分类

每个维度都需要设定一个阈值，用来划分客户在该维度的价值高低，比如在R维度，低于整体R值的平均值，我们用0表示，高于整体R值的平均值，我们用1表示，在F、M维度也一样，如下图所示：

以上3个维度价值通过2×2×2组合，可以划分成8类不同的客户，此处盗用网上的一张图说明：

具体的我们可以细分为以下的分类表格：

三、实例应用

1、我们这个业务能否用RFM模型

答主所在的行业是直播行业，我们的主要收入来源就是直播APP营收，在我们的业务收入中，用户进行充值是一切消费行为（送礼、抽奖、贵族）的基础，和快消品一样，玩直播的用户充值行为具有频次高、间隔时间短、单笔消费金额不高等特征；所以，对于我们的业务来说，我们同样可以通过RFM模型去做用户分类；通过近期充值行为、充值的总体频率以及充值了多少钱3个维度来描述该用户的价值，这3个维度分别表示为：

• 最近一次充值距离现在的时间 (Recency)：这个值越小对我们来说价值越大；
• 某段时间内充值频率次数 (Frequency)：这个值越大越好
• 某段时间内充值金额 (Monetary)3个维度；这个值越大越好

2、模型搭建过程

首先我们要选取某段时间内具有充值行为的用户群体，因为直播app具有用户快速流入、快速体验、快速充值、快速流失等特点，所以选取的时间段不宜过长，这里我们选取近一个月有充值行为的用户消费数据进行用户价值分类（不同的业务选取的时间段不同，如果是理财类的业务，这个时间段可以选取3个月~6个月，具体的看实际业务）

（1）确定每个用户的R值

这里以9月13日当天取数为例，取的是8月12日-9月12日期间有充值行为的用户的充值记录，我们将R值划分为5档，分别表示5分、4分、3分、2分、1分，划分依据可以根据最后一次充值时间距离现在的天数分布图来确定：

如上图所示，考虑到分布不平均的问题，这里以每一个下降趋势拐点作为每个档区间的临界值，也就是以每一个断档为一个区间进行划分（这个划分方法是根据实际业务特点来定，折线拐点处就表示用户群突变，所以可以划分），可以分为下面5档：

这样每一个用户就有了属于自己的R值，因为我们最终的R值只有两档（高or低），所以还需要继续划分，这里用到用户数加权求R值的平均值为2.3，R值大于2.3的用户在该维度属于高价值用户（用1表示），R值小于2.3的用户在该维度属于低价值用户（用0表示）

（2）确定每个用户的F值

同样将F值划分为5档，分别表示5分、4分、3分、2分、1分，划分依据可以根据用户近一个月充值频次分布图来确定：

如上图所示，考虑到分布不平均的问题，这里还是以每一个下降趋势拐点作为分区点，也就是以每一个断档为一个区间进行划分，可以分为下面5档：

这样每一个用户就有了属于自己的F值，因为我们最终的F值只有两档（高or低），所以还需要继续划分，这里用到用户数加权求F值的平均值为2.3，F值大于2.3的用户在该维度属于高价值用户（用1表示），F值小于2.3的用户在该维度属于低价值用户（用0表示）

（3）确定每个用户的M值

同样将M值划分为5档，分别表示5分、4分、3分、2分、1分，因为充值金额差值比较大，这里根据二八原理进行划分，即80%的充值是由头部用户创造的，划分依据可以以帕累托图作为参考，以下面的档次进行划分：

这样每一个用户就有了属于自己的M值，因为我们最终的M值只有两档（高or低），所以还需要继续划分，这里用到用户数加权求M值的平均值为1.5，F值大于1.5的用户在该维度属于高价值用户（用1表示），F值小于1.5的用户在该维度属于低价值用户（用0表示）

（4）RFM值组合对用户进行分类

我们已经得出了近一个月充值用户的R值、F值、M值，接下来把他们放入分类器中，汇总如下：

我们通过RFM模型划分了用户群体，接下来就需要运营部分的配合，针对不同的用户做策略（此处是另一个话题，以后单独展开讲）

四、模型调优

RFM模型虽然简单，但是应用到实际的业务中需要多次调优，以下是我在模型落地时踩的坑，写出来也是为了避免大家踩坑；千万要结合业务多多调整，没有一步登天的模型，只有不断调优的模型

1、选取合适的指标

一开始，我的R指标使用最近一次充值时间距离现在的时间间隔天数，但是实际应用时发现用户尽管最近没充值，但是还是会使用我们的服务，他们不充值的原因可能是因为最近缺钱等，只要使用我们的服务就还有可能充值，所以，最终我采用最后一次活跃时间距离现在的时间间隔作为R值，这样会比较符合我们的业务；

2、需要更多维度的数据

单单靠3个维度只能对用户进行一个消费行为的分类，但是用户的付费和用户的使用行为是密不可分的，所以还需要给每个用户增加一些用户行为的数据（比如观看直播时长、关注主播数、守护主播近期有无开播等等），帮助我们更好的做决策；

3、如何应对小号

我们根据RFM模型筛选出的重点召回用户名单去联系用户，发现很多重点召回的用户都是土豪的小号，尽管小号没进行充值了，但是其他号还在充值，所以这个用户并没有流失；大土豪开小号是很正常的一件事，为了避免误判的情况，我们可以将设备ID作为个人唯一账号（一个设备包含N个账号），RFM的取值就是该设备的最近一次活跃时间距离现在的天数、该设备的充值频次、该设备的充值金额；

五、模型的优缺点

1、优点：

• 能够快速对某段时间内的付费用户做用户分类，响应快速的业务需求；
• 能直观了解用户充值的质量，短时间监控土豪用户的流失情况，及时做出挽回应对措施；
• 能及时发现新晋土豪用户，比如充值频次低但额度大的用户；

2、缺点：

• 只能够观察某段时间内具有充值行为的用户，无法对未充值的用户进行分类；
• R值、F值、M值的阈值设置会影响到用户的划分，需要多次调整；