rfm模型分析怎么判斷高低

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于rfm模型分析怎么判斷高低的問題，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(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、數(shù)據(jù)分析方法3—RFM分析模型

• 2、RFM模型分析實(shí)戰(zhàn)

• 3、用戶價(jià)值分層——基于RFM模型的研究分析

• 4、如何分析RFM模型才能最有效，才能真正起到精細(xì)化運(yùn)營的作用？

一、數(shù)據(jù)分析方法3—RFM分析模型

        對于一個新上線產(chǎn)品的前期運(yùn)營，我們一般的做法都是做活動、上新品、蹭熱點(diǎn)、做營銷、不斷地去拓展新的客戶。但是這種做法收效卻不容樂觀，真正獲取的用戶沒有幾個，最終都便宜了羊毛黨。其實(shí)客戶在不同階段的需求是不一樣的，有的客戶圖便宜，有的客戶看新品，有的客戶重服務(wù)。所以我們想要運(yùn)營好一個產(chǎn)品，就需要對客戶精細(xì)化運(yùn)營。

     精細(xì)化運(yùn)營最經(jīng)典的用戶分群工具就是RFM模型，RFM模型是衡量用戶價(jià)值和用戶創(chuàng)新能力的經(jīng)典工具，主要是由用戶最近一次購買時(shí)間、消費(fèi)頻次、消費(fèi)金額組成。

        RFM模型是衡量客戶價(jià)值和客戶潛在價(jià)值的重要工具和手段，RFM是Rencency（最近一次消費(fèi)），F(xiàn)requency（消費(fèi)頻率），Monetary（消費(fèi)金額）組合而成，此模型對于運(yùn)營、銷售、財(cái)務(wù)、市場來說都比較重要。

R值（Recency）： 最近一次消費(fèi)

        表示用戶最近一次消費(fèi)距離現(xiàn)在的時(shí)間，消費(fèi)時(shí)間越近的客戶價(jià)值越大，1年前消費(fèi)過的用戶肯定沒有1月前消費(fèi)過的用戶價(jià)值大，是衡量用戶價(jià)值的一個指標(biāo)。

        基于R值的大小，可以看出上表中的客戶2是最有價(jià)值的，客戶3是最沒有價(jià)值的，但是如果就此說明客戶2是最有價(jià)值，而客戶3是沒有價(jià)值的是不成立的，對于客戶價(jià)值我們不能僅看R值，還需要考慮F值和M值。這里我們只舉出4個客戶為例，但在真實(shí)的客戶場景中，我們可以把客戶按照周、月、季、年等維度的占比詳細(xì)來觀察出R的趨勢變化。

F值（Frequency）： 消費(fèi)頻率

        消費(fèi)頻率是指用戶在統(tǒng)計(jì)周期內(nèi)購買商品的次數(shù)，經(jīng)常購買的用戶也就是熟客，其價(jià)值比偶爾來一次的客戶價(jià)值大

        基于F值的大小，可以看出客戶4的價(jià)值最大，客戶1的價(jià)值最小，但是如果考慮R值和M值就不能這樣認(rèn)為。其實(shí)客戶對于產(chǎn)品的復(fù)購的核心因素是類目。有的類目產(chǎn)品復(fù)購率高（食品類）主要是食品屬于易耗品，消耗周期短，購買的頻率高，相對容易產(chǎn)生重復(fù)性購買。而有的類目產(chǎn)品復(fù)購率低（家電類），消耗周期長，購買頻次低。建議在對F值進(jìn)行統(tǒng)計(jì)時(shí)對于不同的類目要有相應(yīng)的統(tǒng)計(jì)周期。

M值（Monetary）： 消費(fèi)金額

消費(fèi)金額是指用戶在統(tǒng)計(jì)周期內(nèi)消費(fèi)的總金額，體現(xiàn)了消費(fèi)者對于企業(yè)的價(jià)值。

        基于M值的大小，可以看出客戶4的價(jià)值最高，客戶1的價(jià)值最低，M值同上面的R值、F值類似，單一的值并不能說明客戶的好壞，三者結(jié)合才能更好地精細(xì)化用戶，對購買產(chǎn)品的用戶合理的分隔，采用不同的機(jī)制去運(yùn)營。

RFM模型的主觀細(xì)分

        根據(jù)RFM模型值得大小對客戶進(jìn)行細(xì)分，如下表所示，將客戶分為了8部分去運(yùn)營，對于不同的細(xì)分人群采取不同的運(yùn)營策略，在實(shí)際的應(yīng)用場景中，店鋪可以根據(jù)自己店鋪的實(shí)際情況來細(xì)分人群，購買人群多的就分多個人群，購買人群少的就少分幾個人群，具體的情況根據(jù)店鋪來定。

RFM模型的量化細(xì)分

        上面的模型細(xì)分主要是根據(jù)RFM值的大小進(jìn)行模糊的細(xì)分，而如果想要更細(xì)地對人群進(jìn)行劃分，就需要對RFM進(jìn)行量化處理，一般采用的方式有

1、根據(jù)經(jīng)驗(yàn)定義權(quán)重

RFM值=a*R值+b*F值+c*M值

對于其中的權(quán)重a,b,c則需要經(jīng)驗(yàn)豐富的業(yè)務(wù)人員來判斷

2、歸一化處理

將RFM的值進(jìn)行歸一化處理，公式為

RFM值=R1值+F1值+M1值

上面的R1,F1,M1都是歸一化處理過后的值

3、AHP層次分析得出權(quán)重值

RFM值=a1*R值+a2*F值+a3*M值

a1,a2,a3的值是AHP層次分析得出的權(quán)向量值

具體參考鏈接

最終按照得出值的大小進(jìn)行人群細(xì)分，得出不同的人群

二、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！?。eace and love❤️

三、用戶價(jià)值分層——基于RFM模型的研究分析

• R（Recency）：消費(fèi)間隔，最近一次距離上次消費(fèi)的時(shí)間間隔

• F（Frequency）：消費(fèi)頻次，一段時(shí)間（1個月/1年...）內(nèi)的消費(fèi)總次數(shù)

• M（Monetary）：消費(fèi)金額，一段時(shí)間（1個月/1年...）內(nèi)的消費(fèi)總金額

      RFM模型是用戶價(jià)值研究中的經(jīng)典模型，基于近度（Recency），頻度（Frequency）和額度（Monetory）這3個指標(biāo)對用戶進(jìn)行聚類，找出具有潛在價(jià)值的用戶, 從而輔助商業(yè)決策，提高營銷效率。RFM作為一種數(shù)據(jù)驅(qū)動的客戶細(xì)分技術(shù)，可幫助營銷人員做出更明智的戰(zhàn)略性決策，使?fàn)I銷人員能夠快速識別用戶并將其細(xì)分為同類群體，并針對性制定個性化的營銷策略，提高用戶的參與度和留存率。

      RFM建模所需要的數(shù)據(jù)源是相對簡單的，只用到了購買記錄中的時(shí)間和金額這兩個字段。我們基于交易數(shù)據(jù)中用戶的最后一次的購買時(shí)間，購買的次數(shù)以和頻率，以及平均/總消費(fèi)額對每個用戶計(jì)算了三個維度的標(biāo)準(zhǔn)分。然后我們對于三個維度賦予了不同的權(quán)重，再基于加權(quán)后的分值應(yīng)用K-Means進(jìn)行聚類，根據(jù)每種人群三個維度與平均值之間的高低關(guān)系，確定哪些是需要保持用戶，哪些是需要挽留的用戶，哪些是需要發(fā)展的用戶等。在將這些客戶圈出之后，便可以對不同客戶群使用不同針對性地營銷策略（引導(dǎo)，喚醒等），提高復(fù)購率與轉(zhuǎn)化率。值得注意的是，三個維度的權(quán)重制定并沒有統(tǒng)一的標(biāo)準(zhǔn)，比較通用的方法是用層次分析法(AHP)，實(shí)際場景結(jié)合行業(yè)以及具體公司的特點(diǎn)進(jìn)行因地制宜、因人而異的優(yōu)化。

RFM因素：

• R值越高，顧客的有效期越近，對商家活動的響應(yīng)越積極

• F值越高，顧客的消費(fèi)頻次越高，對商家的忠誠度就越高

• M值越高，顧客的消費(fèi)能力越高，對商家貢獻(xiàn)度就越高

• 想要提高復(fù)購率和留存率，需要時(shí)刻警惕R值

RFM分析：

• 誰是您最有價(jià)值的客戶？

• 導(dǎo)致客戶流失率增多的是哪些客戶？

• 誰有潛力成為有價(jià)值的客戶？

• 你的哪些客戶可以保留?

• 您哪些客戶最有可能對參與度活動做出響應(yīng)？

• 誰是你不需要關(guān)注的無價(jià)值客戶？

• 針對哪些客戶制定哪種發(fā)展、保留、挽回策略？

      通過RFM模型，可以幫助營銷人員實(shí)現(xiàn)客戶細(xì)分；衡量客戶價(jià)值和客戶利潤創(chuàng)收能力；識別優(yōu)質(zhì)客戶；指定個性化的溝通和營銷服務(wù)；為更多的營銷決策提供有力支持。

數(shù)據(jù)導(dǎo)入：使用python的pandas.read_csv導(dǎo)入樣本數(shù)據(jù)。

缺失值校驗(yàn)：因數(shù)據(jù)為生產(chǎn)真實(shí)的交易數(shù)據(jù)，質(zhì)量相對較高，缺失值較低。

極值校驗(yàn)：第一份樣本數(shù)據(jù)獲取的用戶訂單實(shí)付金額，其中會存在優(yōu)惠或補(bǔ)差支付，同時(shí)因就餐人數(shù)不一致，產(chǎn)生的的訂單消費(fèi)也會存在較大的差異，造成極致波動、標(biāo)準(zhǔn)差值較大，因此需對金額進(jìn)行處理，以人均消費(fèi)額替代訂單支付金額，可去掉10元以下、萬元以上的交易訂單。

獲取RFM值：使用 groupby獲取RFM值

獲取RFM評分值：數(shù)據(jù)離散，pandas.cut

實(shí)驗(yàn)數(shù)據(jù)RFM分值占比

說明：F、M分布不均勻，極值差異大，經(jīng)數(shù)據(jù)探查知曉該商戶開通了企業(yè)團(tuán)餐業(yè)務(wù)，企業(yè)會給員工發(fā)放補(bǔ)貼，導(dǎo)致員工呈現(xiàn)較高的消費(fèi)頻次，該類用戶的消費(fèi)行為絕大程度依賴于企業(yè)，在實(shí)際的RFM模型可踢出此類訂單，降低此類人群的分值，其次數(shù)據(jù)中的M值為客戶實(shí)付金額，該商戶支持預(yù)定、會餐、大小桌，同一單的消費(fèi)群體不同，或可使用人均消費(fèi)總額作為M值。

RFM數(shù)據(jù)合并，建立R、F、M數(shù)據(jù)框：pandas+numpy

計(jì)算RFM綜合分值：權(quán)重法

權(quán)重值主要賦值方法可分為主觀賦權(quán)法、客觀賦權(quán)法，如下：

主觀賦權(quán)法：主要由專家經(jīng)驗(yàn)得到權(quán)數(shù)，然后對指標(biāo)進(jìn)行綜合評價(jià)。是一種結(jié)合性方法，易操作，存在一定主觀性。常用方法：層次分析法AHP、權(quán)值因子判斷表法、德爾菲法、模糊分析法、二項(xiàng)系數(shù)法、環(huán)比評分法、最小平方法、序關(guān)系分析法等。

客觀賦權(quán)法：依據(jù)歷史數(shù)據(jù)研究指標(biāo)之間的相關(guān)關(guān)系或指標(biāo)與評估結(jié)果的影響關(guān)系來綜合評價(jià)。這是定量研究，無須考慮決策者主觀意愿和業(yè)務(wù)經(jīng)驗(yàn)，計(jì)算方法較為復(fù)雜。常用方法：主成分分析、因子分析、熵值法、變異系數(shù)法、均方差法、回歸分析法等。

因樣本數(shù)據(jù)分布不均勻，故手動賦權(quán)重值，去除部分極值。

結(jié)論：以近90天的消費(fèi)活躍來看，用戶消費(fèi)頻次集中在1-6次，呈現(xiàn)出極佳的復(fù)購率?？梢葬槍οM(fèi)一次的人群進(jìn)行特征分析。比如針對人群的流動性，若流動人群占比較大，可進(jìn)一步推廣特色菜吸引客戶，若周邊人群占比較高，可基于復(fù)購人群的特征進(jìn)行分析，同時(shí)平臺可提供該類人群近期消費(fèi)偏好，供商家參考，制定針對性方案。

      了解RFM定義后，將3個指標(biāo)作為坐標(biāo)系的XYZ坐標(biāo)軸，從空間上切割成8類，作為用戶的價(jià)值分層，如下圖：

用戶價(jià)值分層說明：

上面我們已經(jīng)計(jì)算得到各個用戶的RFM分值，接下來要依據(jù)分值進(jìn)行分類。

定義RFM 的分值等級

使用pyecharts繪制玫瑰圖：

結(jié)論：商家顧客表現(xiàn)出來的忠誠度較高，但新客獲取能力較低。但是單純看分層占比，并沒有實(shí)際意義，可以基于價(jià)值分層與其他特征關(guān)聯(lián)分析進(jìn)行精準(zhǔn)投放。如下圖（網(wǎng)絡(luò)參考圖，本期實(shí)驗(yàn)并未涉及其他特征）所示：

      用戶畫像是基于用戶信息與行為衍生出來的特征屬性，用戶的準(zhǔn)入信息是用戶的主觀特征，是一種既定的事實(shí)，通過對用戶行為的采集、研究，刻畫出單個用戶的特征。其意義在于基于某一事物對群里特征進(jìn)行分類，有效的體現(xiàn)事物的合適人群；同時(shí)針對群里特征的偏愛、習(xí)慣研究，可以刻畫出用戶的需求，實(shí)現(xiàn)精準(zhǔn)化營銷。

      用戶畫像的基礎(chǔ)成分來源于用戶的準(zhǔn)入信息（會員注冊時(shí)的登記信息），更多的特征數(shù)據(jù)來源于用戶的各類行為，而RFM模型便是基于用戶消費(fèi)行為提煉出來的價(jià)值指標(biāo)。通過對各個價(jià)值分層的群體特征研究，可以有效提升獲客能力以及針對各類人群實(shí)現(xiàn)精準(zhǔn)化營銷。

      市場和運(yùn)營往往絞盡腦汁做活動、上新品、蹭熱點(diǎn)、做營銷，拓渠道，不斷開發(fā)客戶、做回訪維系客戶感情，除了少數(shù)運(yùn)氣好的之外，但大多效果寥寥，這是為何？

      經(jīng)驗(yàn)豐富的營銷人員都知道“了解客戶”和“客戶細(xì)分”的重要性。營銷人員不僅要著眼于創(chuàng)造更多的訪問量和點(diǎn)擊量以提高客戶獲取，還必須遵循從提高點(diǎn)擊率（CTR）轉(zhuǎn)變?yōu)樘岣弑Ａ?，忠誠度并建立客戶關(guān)系的新范式。與其將整個客戶群作為一個整體進(jìn)行分析，不如將其劃分為同類群體，了解每個群體的特征，并使他們參與相關(guān)的活動，而不是僅根據(jù)客戶年齡或地理位置進(jìn)行客戶細(xì)分。而RFM分析是市場營銷人員分析客戶行為的最流行、最簡單、最有效的客戶細(xì)分方法之一。

針對RFM分層用戶制定相應(yīng)的營銷策略:

      • 重要價(jià)值客戶是您的最佳客戶，他們是那些最新購買，最常購買，并且花費(fèi)最多的消費(fèi)者。提供VIP服務(wù)和個性化服務(wù)，獎勵這些客戶，他們可以成為新產(chǎn)品的早期采用者，并有助于提升您的品牌。

      • 重要發(fā)展客戶：近期客戶，消費(fèi)金額高，但平均頻率不太高，忠誠度不高。提供會員或忠誠度計(jì)劃或推薦相關(guān)產(chǎn)品以實(shí)現(xiàn)向上銷售并幫助他們成為您的忠實(shí)擁護(hù)者和高價(jià)值客戶。

      • 重要保持客戶：經(jīng)常購買、花費(fèi)巨大，但最近沒有購買的客戶。向他們發(fā)送個性化的重新激活活動以重新連接，并提供續(xù)訂和有用的產(chǎn)品以鼓勵再次購買。

      • 重要挽回客戶：曾經(jīng)光顧，消費(fèi)金額大，購買頻率低，但最近沒有光顧的顧客。設(shè)計(jì)召回策略，通過相關(guān)的促銷活動或續(xù)訂帶回他們，并進(jìn)行調(diào)查以找出問題所在，避免將其輸給競爭對手。

      •一般價(jià)值客戶：最近購買，消費(fèi)頻次高但消費(fèi)金額低的客戶，需要努力提高其客單價(jià)，提供產(chǎn)品優(yōu)惠以吸引他們。

      • 一般發(fā)展客戶：最近購買，但消費(fèi)金額和頻次都不高的客戶?？商峁┟赓M(fèi)試用以提高客戶興趣，提高其對品牌的滿意度。

      • 一般保持客戶：很久未購買，消費(fèi)頻次雖高但金額不高的客戶?？梢蕴峁┓e分制，各種優(yōu)惠和打折服務(wù)，改變宣傳方向和策略與他們重新聯(lián)系，而采用公平對待方式是最佳。

      • 一般挽留客戶：RFM值都很低的客戶。針對這類客戶可以對其減少營銷和服務(wù)預(yù)算或直接放棄。

      此外，目前的RFM分析中，一般給與M值更高的權(quán)重，如果一般挽留客戶與一般發(fā)展客戶占據(jù)多數(shù)，說明公司的用戶結(jié)構(gòu)不是很合理，需要盡快采取措施進(jìn)行優(yōu)化。

四、如何分析RFM模型才能最有效，才能真正起到精細(xì)化運(yùn)營的作用？

舉一個互聯(lián)網(wǎng)餐飲的例子~來證明如何分析RFM模型：

如何通過外賣訂單數(shù)據(jù)，分析用戶的基本屬性；

用戶的訂單上都有訂餐地址，通過對于訂餐地址的統(tǒng)計(jì)，我們可以查詢到不同條件組合下的用戶分布，甚至能知道喜歡某道菜的用戶都在哪里。類似的用戶數(shù)據(jù)挖掘，還可以根據(jù)復(fù)購構(gòu)成、復(fù)購用戶跨平臺使用情況、性別組成做更精細(xì)化的分析。值得注意的是，數(shù)據(jù)平臺間的差異還是蠻大的，有利于針對不同平臺做出不同的營銷策略。

上面這些最基本的用戶屬性對于精細(xì)化運(yùn)營還是不夠的。 因?yàn)檫@些信息無法幫助你解決下面四個問題——

1.誰是我的重要價(jià)值客戶，他們都有什么特點(diǎn)？

2.誰是我需要重點(diǎn)保持聯(lián)系的客戶，他們都有什么特點(diǎn)？

3.誰是我的重要發(fā)展客戶，他們都有什么特點(diǎn)？

4.誰是我的重要挽留客戶，他們都有什么特點(diǎn)？

2.如何通過RFM模型，為用戶分群，實(shí)現(xiàn)精細(xì)化運(yùn)營

　RFM模型是一個被廣泛使用的客戶關(guān)系分析模型，主要以用戶行為來區(qū)分客戶，RFM分別是：

R = Recency 最近一次消費(fèi)

F = Frequency 消費(fèi)頻率

M = Monetary 消費(fèi)金額

需要詳細(xì)了解以上三個指標(biāo)定義的，百度會將維度再細(xì)分出5份，這樣就能夠細(xì)分出5x5x5=125類用戶，再根據(jù)每類用戶精準(zhǔn)營銷……顯然125類用戶已超出普通人腦的計(jì)算范疇了，更別說針對125類用戶量體定制營銷策略。實(shí)際運(yùn)用上，我們只需要把每個唯獨(dú)做一次兩分即可，這樣在3個維度上我們依然得到了8組用戶。

重要價(jià)值客戶（111）：最近消費(fèi)時(shí)間近、消費(fèi)頻次和消費(fèi)金額都很高，必須是VIP啊！

重要保持客戶（011）：最近消費(fèi)時(shí)間較遠(yuǎn)，但消費(fèi)頻次和金額都很高，說明這是個一段時(shí)間沒來的忠實(shí)客戶，我們需要主動和他保持聯(lián)系。

重要發(fā)展客戶（101）：最近消費(fèi)時(shí)間較近、消費(fèi)金額高，但頻次不高，忠誠度不高，很有潛力的用戶，必須重點(diǎn)發(fā)展。

重要挽留客戶（001）：最近消費(fèi)時(shí)間較遠(yuǎn)、消費(fèi)頻次不高，但消費(fèi)金額高的用戶，可能是將要流失或者已經(jīng)要流失的用戶，應(yīng)當(dāng)基于挽留措施。

3.如何在BDP個人版上建立RFM模型，幫助用戶分群

這時(shí)候可能會有朋友問了，天啦，你這個三維模型，我沒辦法用BDP來建表格了。所以我們需要做的是將三維模型二維化，我們將R域切一塊出來（即在近30天有復(fù)購的用戶中做分析），壓扁了就會看到。

上方的表示或許還是太學(xué)術(shù)了，簡單的說

第一步：先挑出來近1個月的復(fù)購用戶。

第二步：近1個月內(nèi)復(fù)購用戶的平均實(shí)付金額做縱軸。

第三步：近1個月內(nèi)復(fù)購用戶的購買次做橫軸，生成表格。

第四步，你需要自己在這個表格上劃紅線。

橫著的紅線，代表著你認(rèn)為來吃飯的客人平均每餐該花多少錢，我這里設(shè)定的值是25元，叫外賣25都沒付到，對我而言是低消費(fèi)金額（低M）用戶。

豎著的紅線，代表著你認(rèn)為復(fù)購多少次的客人，是你的高頻用戶。外賣點(diǎn)餐流動率很大，一個用戶每個月能在一家店點(diǎn)三次以上的菜，對我而言即是高頻。

這樣，BDP個人版上的RFM模型就建立好了。這個RFM模型在實(shí)操時(shí)有什么用呢？舉個例子

比如對圈用戶群發(fā)短信轉(zhuǎn)化只有不到1%時(shí)，你可以用RFM做個分析，只選取R值高的用戶(最近2周到最近一個月內(nèi)消費(fèi)的用戶），轉(zhuǎn)化率可以由1%提升到10%。

這也意味著，以往6元/訂單將下降到0.6元/訂單。掌柜們是愿意花600元給10000個用戶發(fā)短信，得到100個訂單，還是愿意花48元給800人發(fā)短信得到80個訂單，相信大家一定會選后者。

而整體的RFM區(qū)分，則能夠幫掌柜們針對不同的用戶發(fā)不同的短信，短信的開頭是用“好久不見”、還是用“恭喜你成為VIP”，就得看時(shí)重要保持客戶還是重要價(jià)值用戶了。只有能區(qū)分用戶，才能走向精細(xì)化運(yùn)營。

以上就是關(guān)于rfm模型分析怎么判斷高低相關(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：

rfm模型怎么做

渲染方式surfaceview和Tex

商家可以訂閱rfq關(guān)鍵詞嗎

抖音現(xiàn)在騙子都是什么套路

抖音視頻待優(yōu)化不處理可以么（抖音視頻待優(yōu)化怎么處理）_1