【干货】10分钟 快速搞懂RFM用户分析模型

什么是RFM？

R（Recency）――最近一次消费的时间距离现在多久了？最近一次消费时间越近的顾客是越有可能产生二次消费的群体。

F（Frequency）――最近一段时间内的购买次数。可以理解购买次数越多的客户是对我们产品越满意的客户，表示客户的忠诚度越高。

M（Monetary）――最近一段时间内的消费金额。消费金额是分析一个客户必不可少的一个数据，不仅是在RFM模型里面，比如在考虑ROI以及客户终身价值等分析的时候都是必需的。

常见的RFM模型（8种类型）：

（图片转自《案例：手把手教你搭建RFM客户价值分析模型》，作者启方）

RFM为运营者提供了数据驱动精细化运营的一个方法论。时间紧任务重，哪些用户比较容易转化/复购？哪些用户处于流失边缘、需要采取特定手段拉回来？哪些用户可以放弃了？

激励体系的设计，也需要结合这样的分层模型。比如双十一活动中，满减券的满减面额如何设计较合理呢？不同面额的代金券推送人群是否合理？

如何设计自己的RFM模型？

在进行操作前，需要调出用户的R,F,M值。

1、数据分层

以R值为例，各区间的起始值是什么？比如，按30天，90天，180天，365天，>365天划分吗？还是更精细？F值，M值同理。

具体拿金额M值来举例，一共1-5分5个梯度，金额区间对应0元-12万消费金额，低于5000的充值消费金额的群体我们判断为一般会员，只给1分；5000-50000的为2分，5万-10万为3分，大于10万为4分，大于12万以上的获得5分，分值越高证明该用户质量越好。

区间的划分需要结合实际会员充值金额的分布情况和客单价等因素做出划分，运营同学的判断尤为重要。当你觉得区间梯度设置过大时，可细分每个区间，然后和原区间设计对比各区间得分群体人数分布变化，如果变化不大，个人觉得细分的必要性就没有那么重要了。区间的起点和终点的值的划分更为重要些，这直接判断了一个用户的好坏。

下图做一示范，具体三个维度的划分区间值为：

2、给用户打分

分层确定后，可据此对用户数据进行打分。主要用lookup公式可完成每个用户的打分，用我们划分好的区间跟真实用户数据做配对即可： =LOOKUP(E2,$O$3:$P$7)，其他两个数值同理。

3、得出三个参数下各会员的得分和分布情况

这里用到的公式为：

=COUNTIF(F:F,"="&O12)

4、确定结果

有了每个用户R、F、M分别的分数值后，那再算RFM的综合得分，这里面用到的公式：

=IF(F2>AVERAGE(F:F),1,0)

结合每个用户RFM三项得分中每一项与该项的平均分做对比，高于平均分得1分，低于平均分为0分，那么最终会得到8个分类的结果（R2种结果*F2种结果*M2种结果=8），如下图所示：

至此模型搭建完毕，运营同学可在一堆用户数据中按RFM模型定位用户，从而制定不同的刺激策略。

运用RFM模型

运营同学结合RFM模型，随机抽样5023位客户进行价值现状分布情况分析，给客户打分、汇总归类，得出以下结论：

1、老会员用户群体中，超过120天未进行过消费且历史充值面额小于5000的会员用户占去了67%，这部分的会员基本可判断为流失用户群体

2、存在794位，16%的用户群体需要我们去做唤醒和召回，这部分群体曾经消费都较高且消费频次都大于10次，只是最近长达3个月未来进行消费了。

3、…

基于汇总后的结果，可制定不同运营策略：

基于后台都存有每个客户的手机号码，我们在运营和盘活的思路上可以考虑通过短信和电话回访的方式区别、有针对性进行召回、促进二次消费；

头部新客主打维持，持续推送小额促销福利；重要挽留型和重要深耕客户群体可以分配到各门店通过电话一一重点维护促消费；这两个类型的用户曾经均消费超过5万以上。

尾部流失和重要召回客户群体，可以通过结合定期活动派送营销短信尝试召回。比如：结合双十一营销活动进行短信派送。

写在最后

随着数据应用技术的发展，搭建RFM模型已经可以通过一些智能化的数据运营工具实现。本文所讲的

Excel实现RFM分层有助于大家对其基础原理的理解，

而善于运用现成的智能数据运营工具，可以让我们把精力更聚焦在业务策略上。

方舟用户分群功能实现RFM用户分层模型

RFM客户价值分群能够帮助我们对客户历史数据分门别类，降低用户运营入手难度；通过智能用户运营平台-易观方舟，我们可以进行更精细化的用户分群管理，从而基于用户生命价值LTV和周期管理，进行活客、黏客以及老客复购召回等用户运营触达。

注：文/Aiden，公众号：Analysys易观