深入解读RFM算法模型运营实战应用干货.docx

深入解读RFM算法模型运营实战应用干货.docx

《深入解读RFM算法模型运营实战应用干货.docx》由会员分享，可在线阅读，更多相关《深入解读RFM算法模型运营实战应用干货.docx（11页珍藏版）》请在冰豆网上搜索。

深入解读RFM算法模型运营实战应用干货

深入解读RFM算法模型-运营实战应用干货

从事用户运营多年，一直都是在不断摸索中成长。

从毕业后进入到国内知名化妆品公司-电商事业部，再到到国内top3坚果零食企业，一直都想花时间把自己对用户这一块的摸索积累记录下来，同时用自己的实践即使可以给大家一点点帮助也觉得很有意义。

今天想先谈谈传统企业和电商谈的较多的RFM模型，在众多的用户价值分析模型中，RFM模型是被广泛被应用的；RFM模型是衡量客户价值和客户创利能力的重要工具和手段。

一、RFM模型概述

RFM模型是网点衡量当前用户价值和客户潜在价值的重要工具和手段。

RFM是Rencency（最近一次消费），Frequency（消费频率）、Monetary（消费金额），三个指标首字母组合，如图所示：

RFM模型

R值：

最近一次消费（Recency）

消费指的是客户在店铺消费最近一次和上一次的时间间隔，理论上R值越小的客户是价值越高的客户，即对店铺的回购几次最有可能产生回应。

目前网购便利，顾客已经有了更多的购买选择和更低的购买成本，去除地域的限制因素，客户非常容易流失，因此CRM操盘手想要提高回购率和留存率，需要时刻警惕R值。

如下图，某零食网店用户最近一次消费R值分布图（时间截至2016年12月31日）：

1、客户R值呈规律性的“波浪形”分布，时间越长，波浪越小；

2、最近一年内用户占比50%（真的很巧）；

数据分析：

这个数据根据向行业内专业人员请教，已经是比较理想了的。

说明每引入2个客户，就有一位用户在持续购买。

说明店铺复购做的比较好，R值在不断的变为0。

F值：

消费频率（Frequency）

消费频率是客户在固定时间内的购买次数（一般是1年）。

但是如果实操中实际店铺由于受品类宽度的原因，比如卖3C产品，耐用品等即使是忠实粉丝用户也很难在1年内购买多次。

所以，一般店铺在运营RFM模型时，会把F值的时间范围去掉，替换成累计购买次数。

如下图，某零食网店用户购买频次图（如1个客户在1天内购买多笔订单，则自动合并为1笔订单）：

1、购买1次（新客户）占比为65.5%，产生重复购买（老客户）的占比为34.4%；

2、购买3次及以上（成熟客户）的占比为17%，购买5次及以上（忠实客户）的占比为6%。

数据分析：

影响复购的核心因素是商品，因此复购不适合做跨类目比较。

比如食品类目和美妆类目：

食品是属于“半标品”，产品的标品化程度越高，客户背叛的难度就越小，越难形成忠实用户；但是相对美妆，食品又属于易耗品，消耗周期短，购买频率高，相对容易产生重复购买，因此跨类目复购并不具有可比性。

M值：

消费金额（Monetary）

M值是RFM模型中相对于R值和F值最难使用，但最具有价值的指标。

大家熟知的“二八定律”（又名“帕雷托法则”）曾作出过这样的解释：

公司80%的收入来自于20%的用户。

这个数据我在自己所从事的公司总都得到过验证！

可能有些店铺不会那么精确，一般也很会控制在30%客户贡献70%收入，或者40%贡献60%收入。

理论上M值和F值是一样的，都带有时间范围，指的是一段时间（通常是1年）内的消费金额，在工作中我认为对于一般店铺的类目而言，产品的价格带都是比较单一的，比如：

同一品牌美妆类，价格浮动范围基本在某个特定消费群的可接受范围内，加上单一品类购买频次不高，所以对于一般店铺而言，M值对客户细分的作用相对较弱。

所以我认为用店铺的累计购买金额和平均客单价替代传统的M值能更好的体现客户消费金额的差异。

教大家一个特别简单的累积金额划分方法：

将1/2的客单价作为累积消费金额的分段，比如客单价是300元，则按照150元进行累计消费金额分段，得出十个分段。

现以国内某知名化妆品店铺举例，店铺平均客单为160元，因此以80元作为间隔将累积消费金额分段，从表中可以很明显发现，累计消费160元以下用户占比为65.5%（近2/3），贡献的店铺收入比例只占31.6%（近1/3），具体如下：

二、模型的实践应用

作为CRM操盘手，主要有两种方法来分析RFM模型的结果：

用基于RFM模型的划分标准来进行客户细分，用基于RFM模型的客户评分来进行客户细分。

1、基于RFM模型进行客户细分

CRM实操时可以选择RFM模型中的1-3个指标进行客户细分，如下表所示。

切记细分指标需要在自己可操控的合理范围内，并非越多越好，一旦用户细分群组过多，一来会给自己的营销方案执行带来较大的难度，而来可能会遗漏用户群或者对同个用户造成多次打扰。

最终选择多少个指标有两个参考标准：

店铺的客户基数，店铺的商品和客户结构。

店铺的客户基数：

在店铺客户一定的情况下选择的维度越多，细分出来每一组的用户越少。

对于店铺基数不大（5万以下客户数）的店铺而言，选择1-2个维度进行细分即可。

对于客户超过50万的大卖家而言可以选择2-3个指标。

店铺的商品和客户结构：

如果在店铺的商品层次比较单一，客单价差异幅度不大的情况下，购买频次（F值）和消费金额（M值）高度相关的情况下，可以只选择比较容易操作的购买频次（F值）代替消费金额（M值）。

对于刚刚开店还没形成客户粘性的店铺，则可以放弃购买频次（F值），直接用最后一次消费（R值）或者消费金额（M值）。

通过RFM模型评分后输出目标用户

除了直接用RFM模型对用户进行分组之外，还有一种常见的方法是利用RFM模型的三个属性对客户进行打分，通过打分确定每个用户的质量，最终筛选出自己的目标用户。

RFM模型评分主要有三个部分：

1、确定RFM三个指标的分段和每个分段的分值；

2、计算每个客户RFM三个指标的得分；

3、计算每个客户的总得分，并且根据总得分筛选出优质的客户

比如，实操的过程中一般每个指标分为3-5段，其中R值可以根据开店以来的时间和产品的回购周期来判定，F值根据现有店铺的平均购买频次，M值可参考上文客单价的分段指标。

举个例子：

确认RFM的分段和对应分段的分值之后，就可以按照用户情况对应进行打分。

这个时候可能有人会对此产生质疑，我如何验证这个给予的分值就是合理的呢？

确实我也暂时没有办法给予和科学研究的回复，如果需要验证的话，每次对用户数据进行导入之后，需要用算法模型进行回归验证。

但是这样太复杂也太麻烦，如果有朋友感兴趣的话可以进行验证，能够根据不同店铺的情况，对于每个指标的赋值进行一个更加科学合理的定值。

运营DEMO:

RFM用户价值模型的原理和应用

在众多的用户价值分析模型中，RFM模型是被广泛被应用的；RFM模型是衡量客户价值和客户创利能力的重要工具和手段，在RFM模式中，R（Recency）表示客户购买的时间有多远，F（Frequency）表示客户在时间内购买的次数，M

（Monetary）表示客户在时间内购买的金额。

一般的分析型CRM着重在对于客户贡献度的分析，RFM则强调以客户的行为来区分客户。

在实际应用中根据业务不同会有参考的数据维度也会有诸多变变种。

RFM模型的意义

RFM模型较为动态地显示了一个客户的全部轮廓，这对个性化的沟通和服务提供了依据，同时，如果与该客户打交道的时间足够长，也能够较为精确地判断该客户的长期价值，通过改善三项指标的状况，从而为更多的营销决策提供支持。

RFM模型的应用，旨在建立一个用户行为报告，这个报告会成为维系顾客的一个重要指标。

所以RFM模型大量的应用于营销层面，用以刺激新用户持续的消费、留存。

同时也能作为监控业务用户健康度的重要指标，报告如果显示上一次购买很近的客户，人数如增加，则表示该公司是个稳健成长的公司；反之，如上一次消费为一个月的客户越来越少，则是该公司迈向不健全之路的征兆。

这里多提一句，单一功能性消费的垂直业务，常常会陷入只追求成交额的短期目标，而忽视与用户建立长期的关系，与用户持续保持往来，赢得用户忠诚度，是对业务更为长效的目标。

用客户绝对贡献金额来分析客户是否流失，有时会曲解客户行为。

因为每个商品价格可能不同，对不同产品的促销有不同的折扣，所以采用相对的分级（例如R、F、M都各分为五级）来比较消费者在级别区间的变动，则更可以显现出相对行为。

企业用R、F的变化，可以推测客户消费的异动状况，根据客户流失的可能性，列出客户，再从M（消费金额）的角度来分析，就可以把重点放在贡献度高且流失机会也高的客户上，重点拜访或联系，以最有效的方式挽回更多的用户。

方法

运用RFM模型一般是为了细分出最有价值的用户，利用有限的营销资源重点投入，从而价值产出最大化；基于这个目的，我们通常需要将细分出的用户按照RFM模型给出的分级排序，从最好到最差，然后什么都保持正常的方式，如果一段周期内，业务结果和你的排序一致，那么说明你的细分能够相对准确地将有价值的用户从整体用户中划分出来。

通常运营团队会不断的验证和修订维度，用于提升会员运营的效率，将预算花在该花的地方。

用户行为是持续变动的，在用户距上一次购买时间满一个月之后，在数据库里就成为消费为两个月的客户；反之，同一天，消费为3个月前的客户作了其下一次的购买，他就成为消费为一天前的顾客，也就有可能在很短的期间内就收到新的营销信息；不断的调整模型划分人群，然后对比业务结果，去验证这套模型的准确性。

而模型应用过程中涉及到一种算法和决策树模型。

K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。

K-means算法以欧式距离作为相似度测度，它是求对应某一初始聚类中心向量V最优分类，使得评价指标J最小。

算法采用误差平方和准则函数作为聚类准则函数。

好吧，我承认这玩意儿太绕口，建议有兴趣的去看看诘屈聱牙的原词百科。

决策树模型是非常基础的数学定律，它决定逻辑推理的过程，并且在现有信息的基础上，决定各种可能的替代选项的置信度。

很多商业决策都存在不确定性，在面对不确定性时，决策树可以帮助选择最佳行动方针。

虽然决策者不知道未知的后果会怎样，但是他一般对可能的后果及各自发生的可能性有所了解。

了解的这些信息可以用来选出能获得最大收益的选项，也就是用户下次会不会继续消费。

案例

会员运营团队的预算相对于庞大的用户规模，通常会捉襟见肘，所以当我们的预算不多，而且只能提供服务信息给小规模的重点用户时，RFM模型就派上用场了。

这样的营销所节省下来的成本会很可观。

结合这三个核心指标，我们把顾客分成多个类别，对其进行数据分析，然后制定我们的营销策略。

以某垂直功能型互联网业务为例，随机抽取100万用户样本，进行数据分析；

时间间隔：

以提取样本的时间点与用户最后一次消费时间作差，看时间间隔平均为多少天。

消费频次：

用户的消费行为平均为几次，最大多少次，最小多少次。

消费金额：

用户消费金额平均为多少，最大最小分别是的多少。

使用K-means方法，对样本集进行聚类，通常分为8类。

把聚类结果分为训练集（30%）和测试集（70%），根据训练集生成决策树模型。

通过RFM分析将客户群体划分成一般保持客户、一般发展客户、一般价值客户、一般挽留客户、重要保持客户、重要发展客户、重要价值客户、要挽留客户等八个级别；

通过对比业务结果不断修订完善模型的同时，用营销手段进一步扩大重要价值用户群（考虑时间短、频次高、消费高）。

结语

消费、消费频率、消费金额是测算消费者价值最重要也是最容易的方法，这充分的表现了这三个指标对营销活动的指导意义，但不代表这三个指标牢不可破，例如嘀嘀（快车、专车、顺风车多业务类型）和支付宝（多功能场景）这种，业务方除了消费金额、频次频次以外，在制定补贴策略的时候，还会考虑用户的跨场景使用，越多的功能业务场景被使用，意味着用户忠诚度越高，这个时候将模型的核心指标增加或者调换，就可以实际应用到辅佐补贴策略上了，这也是为什么别人领券能领5块钱，你只能领1块钱，别人为啥能领到快车券，你只能领到接机专车券的原因了。