从没接触过RFM体系，应该如何搭建？

在我看来，产品经理其实需要有一种特质，就是擅长解决之前从来没有遇到过的问题。

如果工作中接触的全是之前做过项目里的东西，或者全是通过竞品分析（竞品抄袭）就能设计出产品，那，产品经理的能力如何体现呢？当然可以体现，借助过往的“经验”或者“竞品”就可以，这也是职场当中招聘员工时的现状，很合理，因为对于招聘方来说，大概率可以获得与成本匹配的回报。

但，工作当中由于公司业务的差异，要百分百找到可以对标的产品进行像素级“模仿”的情况，其实也没有那么多，甚至由于公司的业务发展，导致每天你遇到的其实都可能是之前从来没有遇到过的问题，那么，你会如何去解决并胜任工作呢？如果不能很好的解决频繁发生的新问题，你的三年、五年、十年工作经验，意义在哪呢？有你跟没你，又有什么区别呢？

这也是为何我对于这个岗位甚至一些其他类似岗位（比如：运营、开发、设计等），所存在的上面那样的观点，就是除了经验这个玩意之外，你得自己去做一些底层能力的提取。

那么，简单聊聊，如果遇到了一个未知问题时，可以怎么去借助底层能力去考虑。当然，在这里，我不想尝试去提取所谓的底层能力是啥，毕竟这事得自己去做。

假定，你在公司里面，领导让你来搭建之前从来没有接触过的RFM体系，你会如何考虑呢？

一、建立概念

先不说怎么考虑的事，可能有的人没有接触过RFM，那既然都没接触过的情况下，先老老实实搜集资料去了解下RFM到底是啥。

经过了解，你应该就能知道，RFM可以算是一种模型、一种分析方式，它将用户在平台当中的消费行为从三个方面进行了统计，分别是R（最近一次消费时间）、F（最近一段时间消费频次）、M（最近一段时间消费金额），通过对这几个方面的数据进行统计之后，从而对用户进行分类，并且在这样的一个模型当中，它把用户分成了八大类，分别是重要价值客户、重要发展客户、重要保持客户、重要挽留客户、一般价值客户、一般发展客户、一般保持客户、一般挽留客户。在分类完成后，针对不同类型用户的特征以便于去更有效的进行营销。

其实了解到这里之后，应该就明确了一个东西，做这件事情的是为了将用户分类以便于更好的做精细化运营，而且还能够顺便看出这里的核心运营目标是与钱挂钩的，所以结合起来，核心目标就变成了为了提升营收而搭建的精细化运营体系。

二、拆解问题

接下来，有的人可能会开始考虑去梳理相应的业务场景，准备着手去设计了。但其实我会觉得还有一些问题是没有解决的。由这套模型的本质及我们的核心目标出发的话，往下要思考的话，我至少，可能会产生类似于这样的一些问题：

是否有必要去按照RFM的“公式”划分出这八层？

为了划分出不同层次的用户订单数据如何统计？

划分出的不同层次的数据标准到底该如何定义？

……

一个一个来。

三、分析问题

1. 是否有必要去按照RFM的“公式”划分出这八层？

如果套RFM“公式”，当然是没有问题的。但这里，我觉得要从结果出发，考虑一个实际问题，你们公司的运营手段或者策略上是否具备精细到针对八层甚至更多层次用户，分别去区别运营的能力？如果没有的话，那可能最终对于运营人员而言，划分八层实际上有用的只有一半，因为剩下的一半运营可能采取了同样的运营策略，那产品的设计上暂时就有点多余。

另外，如果不划分这么多层次，就要考虑另外一个问题，那三个维度是否还有必要使用？比如你的公司售卖的是用于终身服务的高价会员卡，使用RFM来衡量的话，对于很多用户而言，F就是一个很低量级的数了，甚至会因此影响用户的分类，所以F这个维度的存在对于上面这种公司业务就明显不合理。

基于此，使用RFM时就完全没有必要硬套公式了，明确核心思想，找到并提炼与核心目标有直接关联的关键指标，划分出了不同的层次，所以其实更多的是使用RFM模型的思想，最终你可能做出了“SFM”或者“MFM”之类的玩意。

于是，就产生了另外一个问题，如何基于核心目标定义关键指标？

这就需要基于公司的业务场景列举并提炼，这是所有产品经理的基本功，就不展开讲解了。

2. 为了划分出不同层次的用户订单数据如何统计？

因为RFM的几个维度其实都是基于用户的订单数据来统计的，甚至是拿订单当中的成交数据来进行统计的。那么，如何收集这些数据呢？这个其实很简单，因为绝大多数产品当中订单数据都会进行单独的统计。

但，只是这样就够了吗？看一些场景：某个用户有两个账号，一个是手机号A注册的，一个是手机号B注册，A账号是个小号，偶尔用来买一些见不得人的东西，B账号则是正常购买；另外有个用户在你们的淘宝店铺购买商品，在你们官方App、小程序、网站当中也有购买商品，而且可能还不是同个账号。于是最终就会出现同样的一个用户，在登录了自己不同账号的时候，会被采取完全不同的运营手段，而我们的出发点其实是需要针对“用户”的不同特点来做精细化的运营。

所以，这里其实引申出的问题就是，如何确保正确收集了某个用户的数据？

目前，绝大部分平台目前所采用的运营方式，我把它称之为是“面向账号”的运营，而非“面向用户”的运营，面向账号运营会带来的问题便是对于不同用户并没有采取最合适的运营策略，当然，也有一些平台有在考虑并试图解决这样的问题，解决的角度则需要从账号体系去入手了，涉及到线上线下以及线上多平台，可以基于用户的OpenID、UnionID、设备的IMEI等等作为辅助信息来判断，我在其他文章里面也专门讲解过账号体系的搭建，这里同样不去展开了。

3. 划分出的不同层次的数据标准到底该如何定义？

1）定义指标的标准

多个维度确定后，数据收集问题解决后，基于定义好的数值标准然后才能划分出不同层次的用户。比如，按照最近消费时间较近的、消费频次和消费金额都较高的，就可以定为重要价值客户。于是，问题来了，如何定义出这些维度当中什么叫消费金额的“高低”什么叫消费时间的“远近”呢？

从生活角度来讲，我们能知道类似于“高低”这样的概念其实是一种相对概念，比如我比姚明矮，但我比另外某个人高，这就是相对于不同的参照物在比较，再比如假定个人税后年收入1个亿以上的叫有钱人，个人税后年收入低于1个亿的叫穷人，同样也是相对概念，是相对于“1个亿”这个数值来比较的，也就是相对于同一个参照物在比较。

很明显，在这种产品设计当中,我们应该是将不同的数值相对于同一个参考数值去进行比较，这样才能够有可比性。所以，目前为止解决这个问题的核心就在于如何去定义出某个相对数值，有了这个相对数值后，比它数值大的称之为“高”，比它数值小的称之为“低”之类的。

对于这个“相对数值”而言，需要确保相对公平，而从公平的角度来讲，一般比较常见的做法是考虑用平均值或者中位数的角度来作为一个相对标准，基于我们在小学三年级学过的数学知识应该知道，所谓的平均数就是一串数字加起来按个数求出的平均数，而中位数则是一串数字由小到大排序后处于中间位置的数。

为了更好的去理解如何制定这样的相对标准，我以案例来说明下。假定目前有个电商平台上线一段时间，已经有大量的用户订单数据，在这个基础上想要基于用户消费数据来做RFM这块，并且假定前面的所有产品经理应该做的最基础的场景梳理已经完成，只剩下对于RFM这三方面的相对标准如何制定这一个问题需要去解决了。

如果平台是采用平均值作为相对标准，基于前面所讲解的思路，也就是说我们需要先有用户的订单数据，基于所有订单数据再来进行计算。在定义F与M的高低时，就需要先计算出平台所有客户消费频次的平均值以及消费金额的平均值，然后将每个用户的消费金额总额以及频次与这个平均值进行比较，如果高于这个平均值可以暂时评估为“高”，如果低于平均值则可以评估为“低”。同理，在定义R的远近时，也需要先计算出每个客户离当前时间最近的一次消费时间间隔是多久，再去计算出所有客户离当前时间最近的一次消费时间间隔的平均值，低于该数值的就可以称之为近，高于该数值的可以称之为远。

2）数据向量化处理

并且为了更加方便的去划分每个用户的所属分类，最好将数据进行向量化处理。所谓的向量化处理，也是一个数学概念，因为通常的数字都是只有大小的，向量化后可以简单理解为数字不仅有大小还有方向了。在这里为了简单处理，可以将高于相对标准值的，可以算正向量，都以1来表示，低于相对标准值的，可以算负向量，都以0来表示。有了RFM三个维度分别的向量值之后，理论上每个用户就可以根据向量值来更加方便的去划分到对应的分类当中，分类方式如下图所示：

3）引申的问题

到这里，如果你善于思考的话，应该就会发现有一个现象：客户所属的分类是一个动态变化的过程。没错，因为随着统计计算的周期不同，各个维度的平均值会发生变化，也就是相对标准发生了变化，那么某个用户最终所计算出的“高低远近”就会随之改变，自然所属分类也就变化了。所以，如果想要使得这套RFM模型更有实际上的使用价值，还可以去基于用户过往不同时间周期的数据生成用户所属分类阶段性变化的情况，这样能够更好精细化去分析用户的个体。

当然，前面的做法有一个前提条件，是在已经有了产品上线，用户产生了大量的订单数据之后。那么，在这里顺便想一下，如果产品没有上线呢，如何去定义这样的一个相对标准呢？或者，我这么问，如果是那样，相对标准的制定是否是一个伪命题呢？这里，我不去作答，读者可以自己思考下。

简单总结下，在设计RFM的时候，上面考虑问题和设计的思路，就可以分为这么几步去做：

基于业务场景明确分层指标（产品基本功）

基于分层指标明确高低规则（自己定规则）

基于数据划分出用户的层次（模型本身规则）

有了上面这些，再基于划分出的用户层次，针对性的去制定运营策略即可。