RFM模型

摘要：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，在产品运营工作中有着非常大的作用，也是构建用户画像体系的一个非常重要的子模型。本文主要从模型介绍、操作方法、指导实践三部分浅析RFM模型在日常的运营工作中如何运用。

1. 模型介绍

根据美国数据库营销研究所Arthur Hughes的研究，用户的行为数据中有三个“上帝指标”，分别为：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。对于不同产品及不同的实践目标来说，上述三个指标有所不同。如：对于人人都是产品经理这样的社区产品来说，Recency可以指用户最近一次登录、点赞、评论、发文章；Fquencrey可以指近一个月/周的登录次数、点赞次数、评论次数、发文章次数；Monetary则可以指打赏的金额、获得打赏的金额。

对于这三个指标展开分析，可以帮助我们挖掘出用户行为数据中很多有用的东西，用于指导实践。同时可将这三个指标进行组合或者两两组合以得到不同的RFM矩阵。

R-F矩阵

如上图所示，利用Recency和Frequency的组合得到RF矩阵。第一象限用户在指定周期内消费频率高，但消费时间都集中在初期，需要对其进行进行召回，又或者此类用户是月光族类型，习惯在月初大量购买，那么我们可在每月初对其进行促销、活动信息推送刺激消费，其他可依此分析。

通过该模型的分析结果，可以指导我们运营童鞋的日常运营工作，做到有的放矢。这也是我们建立RFM模型的最终目标，不可沉醉于数据分析中，数据分析的最大妙处在于指导实践，整个分析过程中要时不时问问自己的内心：我分析这些到底要干吗？

2. 操作方法

哲学上说：“理论来源于实践并指导实践”。因此，本文以一“案例”来说明该模型的具体操作办法。

案例背景：产品为电商平台，共有6月份20个用户的数据，详细指标说明如下图：

注：以上所有数据均通过SPSS随机数生成器生成

所用软件及方法：SPSS，K均值聚类（该算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大）。

分析思路及过程：首先利用SPSS对20个用户进行聚类，本文将其分为了3类，再对这3类分别做统计分析，如表2.1：

表 2.1  用户聚类

第一类用户在近一个月内购买频次低，客单价高，且上次消费距今1月之久。

第二类用户在近一个月内购买频次高，客单价低，且上次消费距今最近，用户数也最多。

第三类用户单从数据上有些不正常，因为客单价较高，频次高（一月接近5次），但上次消费距今竟然有22天，也就是说这类用户在月初的8天大概每两天消费一次，在后20天再没下过单。

3. 指导实践

笔者认为，一切的数据分析也好，研究报告也罢，都要以指导实践为目标。因为笔者非常信奉growth hacker的信念：一切以增长为目标。

回到本文，但就表2.1的数据，还不足以指导实践。我们需要进一步挖掘。接下来需要做的事情有两点：①拉出这些用户的画像明细（包括年龄、性别等）、②拉出这些用户购买的品类。

虽然本文的数据为随机生成，但仍基于数据进行信息挖掘。第二类用户购买的产品因频次高（1月近4次）客单价低（每次20元左右）且用户占比还高，品类应为洗发水、纸巾等快消家用品。这些用户应为平台的忠实用户，1个月在平台购买4次多，但每次消费较低。虽然快消品类毛利低，但品类繁多且非标，消费周期短，是提升用户活跃度的好品类，只要能增加用户在平台上活跃的时间，一定有办法将毛利高的产品卖给他们。因此，第二类用户现在应该重点运营，因此忠实于平台但消费金额较低，有很多价值可挖掘。我们可以经常推送给他们优惠券等信息。第三类用户从数据上看比较特殊，但别忘了时间这个重要指标。本文的数据假设为6月，6月初有什么？没错，618全民年中购物节。该类用户应该是在促销的那几天大量密集购买，伴随着活动的结束钱包也消瘦了，因此后期未有购买行为。第一类用户购买的品类不太好猜测，但他们都在月初购买（方差也很小），且客单价较高，应该重点分析下用户画像。这类用户，很可能近期流向了其他平台，应该根据用户特点等进行针对性的用户召回，可采取的措施包括内容营销、活动召回（可考虑针对这些用户开启白名单做些特殊的活动）。另外，应该对他们最后一次的用户行为进行仔细的分析，看其在最后一次购物行为中发生了什么“不愉快”的事情导致流失（是物流原因、售后原因亦或产品体验）。如有必要，可对该类用户做调研。

RFM模型还有很多东西可以挖掘，就看我们如何进行创新地分析。数据分析既是科学也是艺术，不同的视角会带来意想不到的发现。