rfm模型應(yīng)用實例

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于rfm模型應(yīng)用實例的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

• 1、客戶價值如何分析？看看這個RFM模型分析吧

• 2、4種常見的用戶分層方法(RFM核心模型)

• 3、RFM模型的分析

• 4、RFM模型如何實際應(yīng)用

一、客戶價值如何分析？看看這個RFM模型分析吧

相信很多企業(yè)都希望服務(wù)好客戶，促進(jìn)銷售轉(zhuǎn)化，最好能對產(chǎn)品和品牌產(chǎn)生黏性，長期購買。于是絞盡腦汁去維護(hù)客戶關(guān)系，但往往不是很理想，無感的依舊無感。為什么？因為不同的客戶消費(fèi)需求不一樣。因此，對不同的客戶進(jìn)行價值劃分，可以更好地幫助業(yè)務(wù)部門進(jìn)行精準(zhǔn)營銷，為不同的客戶定制不同的營銷策略，以提高轉(zhuǎn)化率。

那么如何對客戶價值進(jìn)行分析呢？這里我們可以通過RFM模型對客戶進(jìn)行細(xì)分：

R：最近一次消費(fèi)（Recency），指客戶最近交易日期距離當(dāng)前天數(shù)。

F：消費(fèi)頻率（Frequency），表示客戶在一定時期內(nèi)的購買次數(shù)。

M：消費(fèi)金額（Monetary），表示客戶在一定時期內(nèi)消費(fèi)的平均金額。

通過這樣的模型對客戶價值劃分后，我們可以將客戶類型細(xì)分成：重要價值客戶、重要發(fā)展客戶、重要保持客戶、重要挽留客戶、一般價值客戶、一般發(fā)展客戶、一般保持客戶、一般挽留客戶，如下圖所示：

借助上圖所示的RFM模型分析，企業(yè)可以很直觀的了解到不同客戶所對應(yīng)的價值。若想清晰的掌握不同客戶類型下的客戶數(shù)量及其所帶來的銷售額情況，我們可以借助下圖幫助用戶直觀統(tǒng)計出不同類型客戶的情況：

如圖，我們可以看到，一般挽留客戶與一般發(fā)展客戶的數(shù)量最多，但其所帶來的銷售價值并不高，而重要價值客戶所占數(shù)量不多，但卻為企業(yè)帶來了最大的收益價值。因此，企業(yè)可在面對不同類型的客戶時，采取不同的銷售策略，為企業(yè)帶來更大的收益價值。

在對客戶價值分析的過程中，我們還可以結(jié)合其他圖表對客戶進(jìn)行分析，聯(lián)動篩選出想要了解的客戶情況：

如上圖所示，我們可以借助此分析報表，篩選過濾出任意一家或多家客戶的月度銷售額、成本、平均單價、所購買的商品種類、筆數(shù)等指標(biāo)數(shù)據(jù)的變化趨勢，以及客戶所購買的物料具體明細(xì)，幫助企業(yè)更清晰了解不同客戶的銷售價值，以此采取不同的銷售應(yīng)對策略。

當(dāng)然，上述圖表僅供參考，在實際中可另行修改設(shè)計。該分析模型制作完成后，借助數(shù)林BI對數(shù)據(jù)進(jìn)行自定義更新設(shè)置后，后續(xù)數(shù)據(jù)可自動可從用友或金蝶系統(tǒng)中獲取，幫助我們減少定期重復(fù)做表的繁瑣，減輕工作量，從而提高工作效率。

二、4種常見的用戶分層方法(RFM核心模型)

一.什么是用戶分層？

用戶分層是以 用戶價值（比如說：活躍用戶、高價值用戶） 為中心來進(jìn)行切割的，在同一分層模型下，一個用戶只會處于一個層次中。還有一種說法是用戶分群，它是以 用戶屬性（用戶身上的某一類標(biāo)簽，比如：喜歡在地鐵上看書的用戶）為中心 進(jìn)行劃分，1個用戶可能會同時擁有多個屬性。

用戶分層的本質(zhì)是一種以用戶和特征、用戶行為等為中心對用戶進(jìn)行細(xì)分的精細(xì)化運(yùn)營。

二.4種常見的用戶分層方法？

分層實施的兩大核心：

第一，我們找到一個分層的模型之后，處于不同層級的用戶，需要能夠被通過數(shù)據(jù)字段或標(biāo)簽等方式識別區(qū)分出來。

第二，面向每一類用戶的運(yùn)營機(jī)制或策略是明確穩(wěn)定的。

用戶分層的兩個維度：

第一個維度：業(yè)務(wù)主鏈條標(biāo)準(zhǔn)化程度是高還是低

舉個栗子：像手機(jī)里的鬧鐘，定了鬧鐘之后，響了就取消掉，鬧鐘的過程簡單且標(biāo)準(zhǔn)化程度非常高。再比如，像一些閱讀類APP它的用戶所在的地區(qū)，用戶的年齡及身份不同，用戶的需求也會不同，它的業(yè)務(wù)主鏈條標(biāo)準(zhǔn)化程度低，是一個非標(biāo)的產(chǎn)品，并且有時它的業(yè)務(wù)鏈條非常長還非常的復(fù)雜。

第二個維度：用戶在產(chǎn)品中互相影響的可能性是高還是低

有一些產(chǎn)品用戶是會在產(chǎn)品當(dāng)中發(fā)生關(guān)系的，而有些產(chǎn)品呢就不會，有時候同一類型的產(chǎn)品，用戶之間的影響也可能會不同。

舉個栗子：像理財類的產(chǎn)品，用戶之間的影響非常的低，但是像抖音、知乎這樣的產(chǎn)品，用戶之間的關(guān)系程度就高一些。

當(dāng)我們知道用戶處在哪個維度之后，我們就可以知道運(yùn)用哪一種分層方式了。

第一類：用戶個性化特質(zhì)&需求區(qū)隔分層

這一類的分層方式就比較適合適用在業(yè)務(wù)主鏈條標(biāo)準(zhǔn)化程度低的，業(yè)務(wù)主鏈條比較多樣，業(yè)務(wù)比較復(fù)雜這樣的產(chǎn)品當(dāng)中。

我們對用戶進(jìn)行個性化特質(zhì)的區(qū)隔分層，要首先清楚用戶個性化區(qū)隔的常見維度有哪些：

由上圖可以發(fā)現(xiàn)，自然屬性里進(jìn)行區(qū)隔要依靠的是用戶的基礎(chǔ)數(shù)據(jù)，個性化需求里面的顯性和隱性消費(fèi)偏好要依賴的是用戶的行為數(shù)據(jù)。場景則是依賴于時間、地理位置進(jìn)行區(qū)分的。

那進(jìn)行個性化區(qū)隔分層的依據(jù)是什么呢？

我們要看看用戶是否會因為上面所陳列的這些行為和屬性的不同，導(dǎo)致其需求、使用動機(jī)、使用偏好等會出現(xiàn)較大差異。

那怎么判斷呢？要么靠常識和用戶洞察，要么靠數(shù)據(jù)。

進(jìn)行用戶個性化區(qū)隔分層時的兩種選擇：

第一種：選擇一個維度對用戶進(jìn)行劃分，分別給予定向解決文案。像美柚這款產(chǎn)品，用戶在不同的階段，比如：我在備孕、我懷孕了、我是辣媽等不同的維度進(jìn)行相關(guān)信息的區(qū)分和推送。

第二種：選擇兩個有相關(guān)性的維度通過交叉區(qū)隔對用戶進(jìn)行劃分，再分別給予定向的解決方案。比方如某基金理財類的產(chǎn)品：通過兩個維度來切割對用戶進(jìn)行劃分。

第二類： 用戶身份區(qū)隔分層

這一類的分層方式就比較適合運(yùn)用在用戶在產(chǎn)品中互相影響的可能性高的產(chǎn)品當(dāng)中。

一款產(chǎn)品當(dāng)中，如果用戶之間是可見，可被影響的，我們賦予用戶身份的特質(zhì)（加V、勛章等）才會有意義。

說到用戶身份區(qū)隔分層就會提到用戶金字塔模型：

用戶金字塔模型是按照用戶的價值貢獻(xiàn)度大小或用戶影響力的稀缺程度由下到上搭建一個金字塔模型，再賦予每一類用戶對應(yīng)的角色和權(quán)益，搭建一個良性關(guān)系。

那如何梳理并搭建一個產(chǎn)品的用戶金字塔模型呢？

首先，先梳理出產(chǎn)品的業(yè)務(wù)邏輯（這個產(chǎn)品當(dāng)中有哪幾類業(yè)務(wù)角色，這個業(yè)務(wù)角色當(dāng)中他們是怎么發(fā)生關(guān)系的），然后逐次思考：

第三類：用戶價值區(qū)隔分層

通過判斷用戶的價值高中低，來對用戶完成分層。這一類和第四類的分層方式是通用的，所有產(chǎn)品都可以應(yīng)用。

用戶價值區(qū)隔分層有兩種做法：

第一種：依靠用戶生命周期定義對用戶進(jìn)行價值區(qū)隔

生命周期的定義我們上面說過，用戶生命周期的定義，必然與 用戶的價值成長路徑 有關(guān)。不同的產(chǎn)品用戶價值成長路徑也會不同

用戶生命周期的定義無非就兩種：

第一種是強(qiáng)付費(fèi)類的產(chǎn)品

我們把用戶從進(jìn)入到付費(fèi), 持續(xù)付費(fèi)到流失這樣一個典型的路徑畫出來，然后給不同的用戶劃分不同的階段，每個階段被定義成用戶生命周期里的層次。

第二種：是流量類的產(chǎn)品

第二種：通過關(guān)鍵用戶行為對用戶進(jìn)行價值區(qū)隔。

這兩種方式的有共性也有差異性， 共性是：都需要找到某一種方式對于我們當(dāng)前站內(nèi)的用戶的用戶價值進(jìn)行判斷。并對用戶價值的區(qū)間（是高還是低）做界定。然后對不同價值區(qū)間的用戶做針對性的運(yùn)營。不同的是： 去判斷用戶價值第一種依靠的是用戶的生命周期的模型，第二種是通過幾個關(guān)鍵用戶的行為做交叉分析。

通過關(guān)鍵用戶行為對用戶進(jìn)行價值區(qū)隔是找到產(chǎn)品中能夠衡量用戶價值的關(guān)鍵行為，對其進(jìn)行交叉分析和評估，最終形成某種分層模型，比如經(jīng)典的RFM模型。

那什么是RFM模型呢？

RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段，它通過 Recency-距離最近一次交易、Frequency-交易頻率、Monetary-交易金額 這三項指標(biāo)來描述該 客戶的價值狀態(tài)，依據(jù)這三項指標(biāo) 劃分8類客戶價值。

實施RFM用戶分層的操作步驟是什么？

第一步：抓取用戶R、F、M三個維度下的原始數(shù)據(jù)。

首先，我們需求提出數(shù)據(jù)的需求，并定義出F中的“一段時間”是多久以及用戶類型，然后拉出該時間段內(nèi)所有的訂單數(shù)據(jù)，數(shù)據(jù)字段包括用戶ID、下單時間和訂單金額。這里需要注意的是定義一段時間，我們可以拍腦袋，也可以參考業(yè)務(wù)進(jìn)展和需求，一般如果業(yè)務(wù)比較穩(wěn)定的情況下，多以自然年或季度、半年等為單位來進(jìn)行定義。

第二步：定義R、F、M的評估模型與中值

我們需要根據(jù)業(yè)務(wù)特性或數(shù)據(jù)分布情況來劃分?jǐn)?shù)據(jù)分布區(qū)間，設(shè)定評估模型，然后設(shè)定中值。

第三步：進(jìn)行數(shù)據(jù)處理，獲取用戶的R、F、M值

第四步：參照評估模型與中值，對用戶進(jìn)行分層。

第五步：針對不同層級用戶制定運(yùn)營策略，推進(jìn)落地。

第四類：AARRR模型分層

AARRR模型通常是在增長的語境下看到的，我們也可以通過這個模型對用戶進(jìn)行粗放的分層。

第一種AARRR模型：

第二種AARRR模型：

兩種模型并沒有絕對的好與壞，只是適用的場景不同，像滴滴這種產(chǎn)品，用戶上一就收費(fèi)，收入放在前面比較好。

如果是流量型的產(chǎn)品，有了流量才能增值用第一種AARRR模型比較好一些。

想用好AARRR模型來用用戶分層的話，一定要找到合適的數(shù)據(jù)指標(biāo)，來描述和定義處于每一層級的用戶。

鏈接：https://www.jianshu.com/p/5bb31f906aee

三、RFM模型的分析

RFM的含義如下：

1、R（Recency）：客戶最近一次交易時間的間隔。R值越大，表示客戶交易發(fā)生的日期越久，反之則表示客戶交易發(fā)生的日期越近。

2、F（Frequency）：客戶在最近一段時間內(nèi)交易的次數(shù)。F值越大，表示客戶交易越頻繁，反之則表示客戶交易不夠活躍。

3、M（Monetary）：客戶在最近一段時間內(nèi)交易的金額。M值越大，表示客戶價值越高，反之則表示客戶價值越低。

4、RFM分析就是根據(jù)客戶活躍程度和交易金額的貢獻(xiàn)，進(jìn)行客戶價值細(xì)分的一種方法。

rfm分析方法如下：

我們通常采用交易數(shù)據(jù)的格式進(jìn)行分析。因為交易數(shù)據(jù)可以整理成客戶數(shù)據(jù)，而客戶數(shù)據(jù)無法還原成交易數(shù)據(jù)。即用交易數(shù)據(jù)的字段可以得到客戶數(shù)據(jù)的字段，反之不行。

具體是“交易數(shù)據(jù)”還是“客戶數(shù)據(jù)”根據(jù)數(shù)據(jù)源文件的格式而定。

【變量】：選擇各個變量

【分箱化】：評分的總分是多少

【保存】：生成哪些新的變量，可以自定義名稱。

【輸出】：可以全部勾選，為了能全面的解讀RFM分析結(jié)果。

確定后，生成了四個新的變量

嶄新-得分：最后一次交易的時間間隔得分；

頻率-得分：交易總次數(shù)得分；

消費(fèi)金額-得分：交易總金額得分；

RFM得分：RFM得分

分析結(jié)果解讀：

該圖主要用來查看每個RFM匯總得分的客戶數(shù)量分布是否均勻。

我們期望均勻的分布，若不均分，則應(yīng)該重新考慮RFM的適用性或嘗試另一種分箱方法（減少分箱數(shù)目或隨機(jī)分配綁定值）

“RFM熱圖”是交易金額均值在RS和FS繪制的矩陣圖上的圖形化表示，用顏色深淺表示交易金額均值的大小，顏色越深，表示相應(yīng)矩陣塊內(nèi)的客戶交易金額均值越高。

如本例隨著RS和FS的分值增大，顏色越來越深，說明客戶最近一次交易時間越近、交易次數(shù)越多，其平均交易金額越高。

該圖是最后一次交易時間、交易總次數(shù)、交易總金額之間的散點(diǎn)圖。

通過散點(diǎn)圖可以清晰直觀的看到三個分析指標(biāo)兩兩之間的關(guān)系，便于指標(biāo)相關(guān)性評估。

本例中，交易總次數(shù)和交易總金額存在較為明顯的線性關(guān)系，而最后一次交易時間和另外兩個分析指標(biāo)之間的相關(guān)性較弱。

四、RFM模型如何實際應(yīng)用

因為RFM分析僅是項目的一個小部分分析，但也面臨海量數(shù)據(jù)的處理能力，這一點(diǎn)對計算機(jī)的內(nèi)存和硬盤容量都有要求。先說說對海量數(shù)據(jù)挖掘和數(shù)據(jù)處理的一點(diǎn)體會：（僅指個人電腦操作平臺而言）一般我們拿到的數(shù)據(jù)都是壓縮格式的文本文件，需要解壓縮，都在G字節(jié)以上存儲單位，一般最好在外置電源移動硬盤存儲；如果客戶不告知，你大概是不知道有多少記錄和字段的；Modeler挖掘軟件默認(rèn)安裝一般都需要與C盤進(jìn)行數(shù)據(jù)交換，至少需要100G空間預(yù)留，否則讀取數(shù)據(jù)過程中將造成空間不足海量數(shù)據(jù)處理要有耐心，等待30分鐘以上運(yùn)行出結(jié)果是常有的現(xiàn)象。

以上就是關(guān)于rfm模型應(yīng)用實例相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。

推薦閱讀：

rf351.8適合拍什么（rf35適合拍人嗎）

RFID手持終端十大排名（rfid手持終端十大排名最新）

ChatGPT究竟魅力何在（chat performance）

收藏筆記封面怎么改（收藏筆記封面怎么改顏色）

綠植景觀設(shè)計工程師（綠植景觀設(shè)計工程師工資）