正文

RFM模型的優(yōu)缺點(diǎn)

發(fā)布時(shí)間：2023-04-13 17:29:13 稿源：創(chuàng)意嶺閱讀： 108

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于RFM模型的優(yōu)缺點(diǎn)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(gè)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(jì)劃、工作報(bào)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、RFM模型分析實(shí)戰(zhàn)
2、【知識分享】RFM模型與顧客生命周期管理（二）
3、用戶分層-RFM分層方法論
4、基于RFM模型用戶價(jià)值分析（K-Means聚類）

RFM模型的優(yōu)缺點(diǎn)

一、RFM模型分析實(shí)戰(zhàn)

新版本迭代后增加vip歌單功能，用戶需購買vip成為會員后方可進(jìn)行播放行為。因此，主要對vip用戶數(shù)、付費(fèi)率進(jìn)行監(jiān)控。

自上線以來，付費(fèi)率無明顯提升。想著看下哪些用戶適合定向推送vip內(nèi)容，哪些適合贈送vip以增加粘性，因此有了這次RFM探索性分析模型。

通過RFM模型，探索用戶價(jià)值，將用戶分重要價(jià)值用戶、重要發(fā)展用戶、重要保持用戶、重要挽回用戶等8個(gè)層級進(jìn)行精細(xì)化運(yùn)營。目的是提高產(chǎn)品付費(fèi)率。

R：最近一次發(fā)起播放的日期（原：最近一次消費(fèi)到當(dāng)前的時(shí)間間隔）

F：近半年發(fā)起播放的總次數(shù)（原：固定時(shí)間內(nèi)購買次數(shù)）

M：近半年發(fā)起播放的總播放時(shí)長（原：固定時(shí)間內(nèi)消費(fèi)總額）

104w條記錄，F(xiàn)最大值183，最小值1，還算正常；M最大值730w分鐘，均值267分鐘，需要清洗；R日期正常。

uid設(shè)備id也存在null和不符合規(guī)范的情況，也需要清洗。

圖上處于波浪趨勢，天數(shù)越久遠(yuǎn)波動越小。

柱形圖呈長尾分布，說明更多用戶近半年僅播放1次就流失了，大于60以外的用戶屬于高頻播放用戶，稍后在分箱時(shí)尤其注意。播放日期也是同樣

這里有個(gè)默認(rèn)的說法：

最近有過播放行為的客戶，再次播放幾率更高；

播放次數(shù)高的客戶比播放次數(shù)低的客戶更有可能再次播放；

播放時(shí)長較長的客戶更有可能再次播放；

將RFM三個(gè)字段以3位分界線，大于等于3值認(rèn)為是高等級變更為1，小于3認(rèn)為低等級變更為0

后續(xù)補(bǔ)充

事后運(yùn)營同學(xué)針對不同用戶有針對性的開展相應(yīng)的活動：

做RFM模型時(shí)，最讓我頭疼之處在于分箱，因?yàn)檎鎸?shí)的業(yè)務(wù)數(shù)據(jù)中播放時(shí)長和播放次數(shù)肯定是小占大量，也就是長尾分布，查了很多有關(guān)分箱的資料。經(jīng)過試驗(yàn)發(fā)現(xiàn)并不適合等頻和等距，于是只能用自定義分箱，這里不確定自定義劃分的準(zhǔn)確性，如果以后在學(xué)到可用的資料，我會及時(shí)更新本文?？ǚ椒窒淇吹揭黄梦恼?，準(zhǔn)備試驗(yàn)一下~感謝，聽我的碎碎念?。?！Peace and love❤️

二、【知識分享】RFM模型與顧客生命周期管理（二）

二. RFM模型的應(yīng)用

說到應(yīng)用，主要可拆分為三個(gè)步驟：進(jìn)行客戶細(xì)分、輸出目標(biāo)客戶還有針對性的二次營銷。與一般想象不同，并不是細(xì)分維度越多越好——我們主要有兩個(gè)指標(biāo)來幫助自己選擇合適的細(xì)分指標(biāo)：一是店鋪規(guī)模，而是店鋪的商品和顧客結(jié)構(gòu)。比如一個(gè)只有百人客戶群的店鋪，那么其用戶畫像的豐富性一定不及餓了么的外賣群體；一個(gè)只賣母嬰產(chǎn)品的垂直網(wǎng)站，其典型的用戶畫像一定是母親和幼兒，不論其用戶群大小。

這張表格闡述了營銷方法、客戶細(xì)分以及營銷策略三者之間的關(guān)系。從R值可區(qū)分顧客的活躍程度，從F值可以區(qū)分顧客的忠誠程度，從M值可以區(qū)分顧客的可獲利程度。

我們可以根據(jù)RFM的綜合值給每個(gè)用戶進(jìn)行打分（線性？三維立體？），分?jǐn)?shù)越高的顧客對店鋪的意義和重要性越大。但不代表分?jǐn)?shù)低的那些組人員需要放棄。相反，我們再次強(qiáng)調(diào)的是對于不同的顧客，營銷策略要差異化。

CHAPTER THREE 顧客生命周期管理

生命周期，born-grow-flourish-decend-death，有生有亡，這是個(gè)必然的過程。顧客也是，每天有新人來，每天也有顧客遺忘你。作為店鋪管理者，需要關(guān)注的重點(diǎn)是如何有效的劃分客戶生命周期以及如何針對不同生命周期客戶制定有效的營銷策略。

上表以店鋪售賣商品類目回購周期為維度，劃分了生命周期的五個(gè)階段，并標(biāo)明了客戶特征。供大家參考。

CHAPTER FOUR 顧客生命周期營銷

結(jié)合上一張圖的顧客營銷策略，這里是一張示例的計(jì)劃表。

這張圖列舉了目前市面上可見的維系類活動與營銷類活動。

三、用戶分層-RFM分層方法論

我們都知道，所有的運(yùn)營工作都是圍繞著用戶展開的。運(yùn)營策略從某種程度來說，就是資源對用戶的有效分配。那么，知道什么用戶應(yīng)該制定什么樣的運(yùn)營策略，就尤為重要了，而這就要依賴于我們的用戶分層了。

在運(yùn)營過程中，用戶分層的作用很明顯，它能幫助我們把用戶分成各個(gè)層次和群體，然后我們根據(jù)各個(gè)層次和群體的不同，才能有的放矢的制定出更精準(zhǔn)、更有針對性的運(yùn)營策略。

我們在運(yùn)營工作中，經(jīng)常會聽到“用戶畫像”、“用戶分層”、“用戶分群”這幾個(gè)詞，貌似有些類似特別是后面兩個(gè)，但如果嚴(yán)格說的話，還是有區(qū)別的。

本篇準(zhǔn)確地說應(yīng)該是包括了“用戶分層+用戶分群”，這里就統(tǒng)稱為用戶分層了。而本篇我們也會通過一個(gè)實(shí)例，用一張Excel表作為工具，從零開始一步一步的完成一次用戶分層過程。

關(guān)于用戶分層，我們需先明白以下幾點(diǎn)：

一、用戶分層在不同的行業(yè)中是不一樣的，而且可能是多樣化的。

比如滴滴打車，用軟件打車的人是一種用戶；司機(jī)也是一種用戶；廣告商也是一種用戶。如果要做用戶分層的話，就需要對這三種類型的用戶分別做一套不同的用戶分層體系。

二、用戶分層在產(chǎn)品發(fā)展的不同階段會有不同的變化。

比如我們區(qū)分價(jià)值用戶和一般用戶，

初期我們產(chǎn)品少，一個(gè)月買2次化200元錢可能就是我們的價(jià)值用戶了。

隨著公司的發(fā)展我們產(chǎn)品的不斷增多，需要一個(gè)月買10次化5000元才有能算是我們的價(jià)值用戶了。

三、用戶分層需要定性和定量

如上面的例子一樣，我們需要對用戶有一個(gè)定性的過程，如價(jià)值用戶、一般用戶，或者VIP，超級VIP等等；然后必須要對此進(jìn)行定量，比如消費(fèi)多少金額才能算價(jià)值用戶。

那么如何用科學(xué)化的手段進(jìn)行一次用戶分析，以確定各用戶群體的行為特征，完成一次用戶分層的過程，就必須要說到經(jīng)典的RFM用戶模型了。如下圖：

RFM模型歷史悠久，其理論知識這里就不闡述了，簡單的說就是通過 最近一次消費(fèi)(Recency)、消費(fèi)頻率(Frequency)、消費(fèi)金額(Monetary)這三個(gè)指標(biāo) ，然后把每個(gè)指標(biāo)按照實(shí)際的情況，分成5檔，一共形成了125類的用戶。然后為了執(zhí)行方便，把125類的用戶歸納成8大類， 如下圖 ，最后根據(jù)這8大類用戶的情況制定運(yùn)營策略。

這里要說明的一點(diǎn)是，RFM模型不是互聯(lián)網(wǎng)時(shí)代的產(chǎn)物，事實(shí)上在傳統(tǒng)行業(yè)里也用的很廣，所以其指標(biāo)主要針對的是付費(fèi)用戶。 如果我們的互聯(lián)網(wǎng)產(chǎn)品用戶人群是免費(fèi)用戶，一樣可以用這個(gè)RFM模型并使用它的方法 ，只是指標(biāo)換成了 最后一次登錄、登錄頻率、產(chǎn)品使用時(shí)間。

接下來我們就用實(shí)例來操作一遍：

我們現(xiàn)在手上有500份付費(fèi)用戶數(shù)據(jù)，包含（用戶、最后一次消費(fèi)時(shí)間間隔、消費(fèi)頻率、消費(fèi)金額）四個(gè)字段，我們?nèi)绾芜M(jìn)行用戶分層并制定有效運(yùn)營策略呢？

第一步：我們把數(shù)據(jù)導(dǎo)入或粘貼到Excel當(dāng)中，再原有的4個(gè)表頭基礎(chǔ)上，再增加R值、F值、M值三個(gè)表頭。做好這樣一張Excel表，如下圖：

（此處只選10條數(shù)據(jù)做實(shí)例）

第二步：分別確定好RFM這三個(gè)指標(biāo)五檔的標(biāo)準(zhǔn)。

這是比較難的一步，因?yàn)椴煌男袠I(yè)不同的產(chǎn)品不同的階段都有不同的劃分標(biāo)準(zhǔn)。比如消費(fèi)金額，1000個(gè)用戶里面，最低1元，最高10000元。大部分情況下，20%的用戶占據(jù)了80%的金額，而80%的用戶占了20%的金額，是一個(gè)長尾的分布效果。所以我們不能簡單的用最高金額/5，或者用戶總數(shù)/5的平均分法，這樣分出來的結(jié)果不能代表一個(gè)擁有類似行為表現(xiàn)的群體。

這個(gè)主要還是依靠大家在本身各自行業(yè)中的理解和實(shí)際場景需求來確定了。 當(dāng)然，如果我們實(shí)在沒有什么頭緒的話，我們可以 通過散點(diǎn)圖大致分辨一下 ，如下圖：

大家可以看到，通過散點(diǎn)圖，我們可以比較直觀的看清用戶的分布（上圖為用戶的消費(fèi)金額分布）。 我們?nèi)シ謾n的時(shí)候就盡可能的將密集的一部分分在一起，這樣，該檔用戶群體的行為共性也就更大一點(diǎn)。

需要說明的是，這不是一個(gè)很嚴(yán)謹(jǐn)?shù)姆址?，需要大家在?shí)際過程中進(jìn)行不斷的調(diào)整。而如果我們面臨海量數(shù)據(jù)的時(shí)候，最好是通過聚類算法等技術(shù)手段，才能更加科學(xué)精準(zhǔn)的幫助我們進(jìn)行判斷。

以本例來說，我們最后定下了RFM各個(gè)指標(biāo)下的五個(gè)分檔標(biāo)準(zhǔn)。如圖：

第三步：分別計(jì)算出每條記錄的R、F、M值。

我們通過在Excel里面加入if判斷，自動計(jì)算出該記錄對應(yīng)的R、F、M值，比如我們RFM分層表中，0001用戶對應(yīng)的R值，

即單元格E3：=IF(B3>10,1,IF(B3>8,2,IF(B3>5,3, IF(B3>3,4,5))))

我們來解釋一下這條if判斷語句：

同樣的算法，我們寫出計(jì)算每一條記錄F值和M值的判斷條件。

然后，我們把Excel的單元格往下拉，最后形成這樣的圖：

第四步：分別算出總的R、F、M的平均值。

這一步比較簡單，我們以上全部算完之后，再最下面增加一行，用AVERAGE（）計(jì)算出以上所有行數(shù)的平均值。如圖：

第五步：根據(jù)每條記錄的R、F、M值和所有記錄的平均值，判斷出每條記錄的R、F、M值是在平均值之上，還是平均值之下。

首選，我們先增加三個(gè)表頭，如圖：

然后，我們用每一條記錄的R值來R的平均值進(jìn)行比較，如果<平均值則顯示“低”，如果大于等于則顯示“高”。

我們還是用If判斷語句進(jìn)行自動判斷，以上圖為例，用戶0001的“R高低值”即：

這樣，我們就變成了下圖：

這個(gè)時(shí)候，我們發(fā)現(xiàn)了一個(gè)問題，當(dāng)我們把單元格往下拉的時(shí)候，E3固然變成了E4，但E13也變成了E14，由于E13是一個(gè)固定格子的數(shù)字，我們不希望它隨著單元格的下拉而改變。我們就需要在if語句中在E13兩邊加上“$”這個(gè)符號了。

如下：

同時(shí)，為了更直觀，我們設(shè)置一個(gè)條件格式，若文本中含有“高”則背景色為紅色，若含有“低”則背景色為綠色。這時(shí)候再往下拖一下單元格，就變成這樣拉，如圖：

第六步：根據(jù)比較值，進(jìn)行八大類的歸類。

接下來，我們就要根據(jù)我們的“R高低值”“F高低值”“M高低值”，自動計(jì)算出我們的用戶層級拉。我們先加個(gè)表頭“用戶層級”。

這一次，我們要寫一串稍微長一點(diǎn)的IF判斷語句，如下：

本文所寫的都是在Excel里面的IF判斷語句，建議大家能夠自己寫一下，不想寫或?qū)懖怀鲆矝]關(guān)系，直接保存好上面的if語句Copy一下直接用就行了（修改一下單元格的序號就可以了）。

最后，如下圖：

當(dāng)然，我們還可以在用戶層級的表頭上加上“篩選”功能，可以直接搜索到我們需要的那些用戶。大家也可以通過不同的顏色來區(qū)分不同的用戶層級，這個(gè)就自由發(fā)揮拉。

好了，到這里，我們就已經(jīng)通過用一張Excel表，完成了一次用戶分層的全過程。 這張表最后的效果是，就像一個(gè)程序一樣，我們?nèi)我廨斎肴齻€(gè)RFM數(shù)字，表格將自動會跳出這個(gè)用戶的層級。 大家保存好這張excel表，以后用起來套一下就可以了，效率是相當(dāng)快的。大家可以嘗試自己從頭做一遍，若有需要的話可在留言區(qū)留下郵箱，我會發(fā)送給大家。

完成后上面六步之后，我們已經(jīng)得到了完成用戶分層之后的所有用戶記錄，這時(shí)我們需要做成圖表的形式，開個(gè)會、做個(gè)匯報(bào)啥的，如下圖：

回到我們上面說的，做用戶分層的目的是為了有的放矢的制定出更精準(zhǔn)、更有針對性的運(yùn)營策略。所以，我們最終我們還是回到制定運(yùn)營策略上來。我們的例子可參考下圖：

再接下來要如何具體實(shí)施和執(zhí)行，就不在本篇文章的范疇里了。

用戶分層是運(yùn)營過程中非常重要的一個(gè)環(huán)節(jié)，快速的進(jìn)行用戶分層也是我們必備的一個(gè)方法。我們把用戶分的層，其實(shí)用戶本身是不知道的。如果我們分一個(gè)層級讓用戶知道，不僅知道而且還非常喜歡，以此來不斷引導(dǎo)用戶進(jìn)行自我層級的上升。

四、基于RFM模型用戶價(jià)值分析（K-Means聚類）

本次分析數(shù)據(jù)來源CDNow網(wǎng)站的用戶在1997年1月1日至1998年6月30日期間內(nèi)購買CD訂單明細(xì)，對訂單明細(xì)進(jìn)行RFM模型的K-Means 聚類分析并提出運(yùn)營策略建議

-- 每個(gè)數(shù)據(jù)一共4列，分別是用戶ID、訂單時(shí)間、訂單數(shù)量、訂單金額，數(shù)據(jù)類型都是數(shù)值型

-- 刪除255個(gè)重復(fù)值

-- 共有80個(gè)，訂單數(shù)均為1，可能是未付款訂單或免費(fèi)活動，沒有明顯價(jià)值，可以剔除

-- 數(shù)據(jù)集的時(shí)間在1997-01-01到1998-06-30日，因此將此次觀察日期定義為1998年6月30日

RFM模型的定義：R為最近一次下單時(shí)間，F(xiàn)為購買頻次，M為購買金額。提取所需要的字段信息：

-- 完成數(shù)據(jù)預(yù)處理

利用K-means算法對客戶進(jìn)行聚類

結(jié)合業(yè)務(wù)，分析客戶特征，分析客戶價(jià)值

-- 在K=4、5的時(shí)候SSE曲線趨于平緩，再用輪廓系數(shù)看一下

-- 選擇最高點(diǎn)K=4進(jìn)行聚類