RFM模型之理论篇

RFM模型想必很多搞数据做运营的同学都听说过，最常用在用户分层管理中。而且很多提到RFM模型都会动不动就祭出这张图，很多人看到这个图就晕菜了。

RFM分层.jpg

那么RFM到底是什么意思呢？

电商逻辑举例指标

• R是Recency，表示最近一次的消费行为（反应用户的消费敏感度）
• F是Frequency，表示消费的频率（反应用户的消费深度和粘性）
• M是Monetary，表示消费金额（反应用户的消费价值）

指标划分客群

阈值指标设为平均值

• 最近消费R（取最近消费日期）
  • 最近消费时间在距今30天内
  • 最近消费时间在距今30天外
• 消费频率F（取累计消费次数）
  • 消费频率>= 平均值
  • 消费频率< 平均值
• 消费金额M（取累计消费金额）
  • 消费金额>=平均值
  • 消费金额<平均值

每个用户3个标签

• 最近消费是否在距今30天内
• 消费频率是否小于平均值
• 消费金额是否小于平均值

同时，每个标签都有两个分类，按照标签对所有用户穷尽分类，结果是2^3=8类用户。

用户分类

• 重要价值用户
• 重要唤回用户
• 重要深耕用户
• 重要挽留用户
• 潜力用户
• 新进入用户
• 一般维持用户
• 流失用户

分类准则

WX20180223-182859@2x.png

RFM与矩阵模型

以上的划分是以电商逻辑的示例（赶脚互联网搞什么的最后都卖货去了，电商无处不在），RFM确实也最适用于电商。
用户划分的方法和波士顿矩阵BCG Matrix 很像（就是四象限法则啊阿啊阿啊）很像，或者也可以说基础就是波士顿矩阵。

上张矩阵图来感受一下

波士顿矩阵.jpg

区别在于，矩阵法则是二位平面 RFM是三维立体，矩阵法则指标是连续区间，RFM指标是离散分类。

分层的流动

业务不同的发展时期对不同分类用户的侧重程度也不一样。在完成从0到1阶段时候，新进入用户的客群是最重点关注的，增长期重点维护重要价值用户，瓶颈期则是重点关注深耕和唤回用户，产品或者业务有缺陷的时候重点关注挽留用户（潜在流失）和流失用户。
貌似，只有一般维持用户是不需要怎么花精力的，买的次数多但是金额少对平台的敏感度也不够高，一般定义为低质量用户，而这些用户恰恰有很大数量占比。

再对三个指标的选取补充一丢丢，消费频率和消费次数的选取很多人可以理解，最近消费这个还有些不好转弯。为啥么它体现了用户对平台的敏感度？

首先在我的理解中，不只是用户消费了才对平台产生了行为，即用户对平台的一些动作没有发生反应也是一种行为。而最近消费行为的标签 最大程度反应了业务的现状，做业务动作尝试的时候最需要关注的就是最近消费用户行为这个指标没跑吧。
举个栗子，上线了新的品类，如果有任何反馈首先是体现在最近消费的用户，比如历史平均gmv是500，上新后是1000，多出来的500 gmv就是敏感用户贡献的。所以如果平台要做动作，首先要考虑的就是在最近消费的这批用户上做测试和转化。比如缺高净值的重要价值用户，就去拉动召回用户和深耕用户，而且效果好不好很快有分晓可以及时调整策略。

分类划分的一点补充

• 指标的选取也不是必须8个，在不同的业务时期和场景下，可以选取不同指标进行划分。
• 指标的划分也不一定是离散的两个分类，用户从一个转化到另一个分类也是一个连续的过程，也可以选取指标的连续区间来划分，比如波士顿矩阵在两个坐标上就是连续的区间（很大程度上说每个分类的定义也是随时间和业务场景在不断变化）。
• 这一篇写理论，下一篇写案例操作实践。

---

我的tableau public：yangliang的tableau public主页