RFM模型

摘要：RFM模型是衡量客戶價(jià)值和客戶創(chuàng)利能力的重要工具和手段，在產(chǎn)品運(yùn)營工作中有著非常大的作用，也是構(gòu)建用戶畫像體系的一個(gè)非常重要的子模型。本文主要從模型介紹、操作方法、指導(dǎo)實(shí)踐三部分淺析RFM模型在日常的運(yùn)營工作中如何運(yùn)用。

1. 模型介紹

根據(jù)美國數(shù)據(jù)庫營銷研究所Arthur Hughes的研究，用戶的行為數(shù)據(jù)中有三個(gè)“上帝指標(biāo)”，分別為：最近一次消費(fèi)(Recency)、消費(fèi)頻率(Frequency)、消費(fèi)金額(Monetary)。對于不同產(chǎn)品及不同的實(shí)踐目標(biāo)來說，上述三個(gè)指標(biāo)有所不同。如：對于人人都是產(chǎn)品經(jīng)理這樣的社區(qū)產(chǎn)品來說，Recency可以指用戶最近一次登錄、點(diǎn)贊、評(píng)論、發(fā)文章；Fquencrey可以指近一個(gè)月/周的登錄次數(shù)、點(diǎn)贊次數(shù)、評(píng)論次數(shù)、發(fā)文章次數(shù)；Monetary則可以指打賞的金額、獲得打賞的金額。

對于這三個(gè)指標(biāo)展開分析，可以幫助我們挖掘出用戶行為數(shù)據(jù)中很多有用的東西，用于指導(dǎo)實(shí)踐。同時(shí)可將這三個(gè)指標(biāo)進(jìn)行組合或者兩兩組合以得到不同的RFM矩陣。

R-F矩陣

如上圖所示，利用Recency和Frequency的組合得到RF矩陣。第一象限用戶在指定周期內(nèi)消費(fèi)頻率高，但消費(fèi)時(shí)間都集中在初期，需要對其進(jìn)行進(jìn)行召回，又或者此類用戶是月光族類型，習(xí)慣在月初大量購買，那么我們可在每月初對其進(jìn)行促銷、活動(dòng)信息推送刺激消費(fèi)，其他可依此分析。

通過該模型的分析結(jié)果，可以指導(dǎo)我們運(yùn)營童鞋的日常運(yùn)營工作，做到有的放矢。這也是我們建立RFM模型的最終目標(biāo)，不可沉醉于數(shù)據(jù)分析中，數(shù)據(jù)分析的最大妙處在于指導(dǎo)實(shí)踐，整個(gè)分析過程中要時(shí)不時(shí)問問自己的內(nèi)心：我分析這些到底要干嗎？

2. 操作方法

哲學(xué)上說：“理論來源于實(shí)踐并指導(dǎo)實(shí)踐”。因此，本文以一“案例”來說明該模型的具體操作辦法。

案例背景：產(chǎn)品為電商平臺(tái)，共有6月份20個(gè)用戶的數(shù)據(jù)，詳細(xì)指標(biāo)說明如下圖：

注：以上所有數(shù)據(jù)均通過SPSS隨機(jī)數(shù)生成器生成

所用軟件及方法：SPSS，K均值聚類（該算法是很典型的基于距離的聚類算法，采用距離作為相似性的評(píng)價(jià)指標(biāo)，即認(rèn)為兩個(gè)對象的距離越近，其相似度就越大）。

分析思路及過程：首先利用SPSS對20個(gè)用戶進(jìn)行聚類，本文將其分為了3類，再對這3類分別做統(tǒng)計(jì)分析，如表2.1：

表 2.1  用戶聚類

第一類用戶在近一個(gè)月內(nèi)購買頻次低，客單價(jià)高，且上次消費(fèi)距今1月之久。

第二類用戶在近一個(gè)月內(nèi)購買頻次高，客單價(jià)低，且上次消費(fèi)距今最近，用戶數(shù)也最多。

第三類用戶單從數(shù)據(jù)上有些不正常，因?yàn)榭蛦蝺r(jià)較高，頻次高（一月接近5次），但上次消費(fèi)距今竟然有22天，也就是說這類用戶在月初的8天大概每兩天消費(fèi)一次，在后20天再?zèng)]下過單。

3. 指導(dǎo)實(shí)踐

筆者認(rèn)為，一切的數(shù)據(jù)分析也好，研究報(bào)告也罷，都要以指導(dǎo)實(shí)踐為目標(biāo)。因?yàn)楣P者非常信奉growth hacker的信念：一切以增長為目標(biāo)。

回到本文，但就表2.1的數(shù)據(jù)，還不足以指導(dǎo)實(shí)踐。我們需要進(jìn)一步挖掘。接下來需要做的事情有兩點(diǎn)：①拉出這些用戶的畫像明細(xì)（包括年齡、性別等）、②拉出這些用戶購買的品類。

雖然本文的數(shù)據(jù)為隨機(jī)生成，但仍基于數(shù)據(jù)進(jìn)行信息挖掘。第二類用戶購買的產(chǎn)品因頻次高（1月近4次）客單價(jià)低（每次20元左右）且用戶占比還高，品類應(yīng)為洗發(fā)水、紙巾等快消家用品。這些用戶應(yīng)為平臺(tái)的忠實(shí)用戶，1個(gè)月在平臺(tái)購買4次多，但每次消費(fèi)較低。雖然快消品類毛利低，但品類繁多且非標(biāo)，消費(fèi)周期短，是提升用戶活躍度的好品類，只要能增加用戶在平臺(tái)上活躍的時(shí)間，一定有辦法將毛利高的產(chǎn)品賣給他們。因此，第二類用戶現(xiàn)在應(yīng)該重點(diǎn)運(yùn)營，因此忠實(shí)于平臺(tái)但消費(fèi)金額較低，有很多價(jià)值可挖掘。我們可以經(jīng)常推送給他們優(yōu)惠券等信息。第三類用戶從數(shù)據(jù)上看比較特殊，但別忘了時(shí)間這個(gè)重要指標(biāo)。本文的數(shù)據(jù)假設(shè)為6月，6月初有什么？沒錯(cuò)，618全民年中購物節(jié)。該類用戶應(yīng)該是在促銷的那幾天大量密集購買，伴隨著活動(dòng)的結(jié)束錢包也消瘦了，因此后期未有購買行為。第一類用戶購買的品類不太好猜測，但他們都在月初購買（方差也很小），且客單價(jià)較高，應(yīng)該重點(diǎn)分析下用戶畫像。這類用戶，很可能近期流向了其他平臺(tái)，應(yīng)該根據(jù)用戶特點(diǎn)等進(jìn)行針對性的用戶召回，可采取的措施包括內(nèi)容營銷、活動(dòng)召回（可考慮針對這些用戶開啟白名單做些特殊的活動(dòng)）。另外，應(yīng)該對他們最后一次的用戶行為進(jìn)行仔細(xì)的分析，看其在最后一次購物行為中發(fā)生了什么“不愉快”的事情導(dǎo)致流失（是物流原因、售后原因亦或產(chǎn)品體驗(yàn)）。如有必要，可對該類用戶做調(diào)研。

RFM模型還有很多東西可以挖掘，就看我們?nèi)绾芜M(jìn)行創(chuàng)新地分析。數(shù)據(jù)分析既是科學(xué)也是藝術(shù)，不同的視角會(huì)帶來意想不到的發(fā)現(xiàn)。