模型|RFM模型在用户分层中的应用_

导读：随著产品越来越大，拥有的用户越来越多，我们已经无法用同样的策略来管理所有的用户，此时便需要对用户进行精细化运营，而为了做好精细化运营，第一步就得对用户进行分层，而RFM模型便是传统和互联网行业一种用来对用户进行分层的重要工具和手段。

文章插图
一、RFM模型的介绍1. RFM模型的3个指标

R：Recency，最近一次交易时间；
F：Frequency，交易频次；
M：Monetary，交易金额。

需要了解的是，在不同产品中，R、F、M 可以代表不同的用户关键行为，比如在社区类产品中，可以分别代表：最近一次登录时间、登录次数和登录时长。
2. 用户价值类型的划分

文章插图
如图，该模型通过对每个用户R值、F值、M值高低的评估，将其对应到不同的区间中去，从而将用户划分为8种用户价值类型。
在RFM模型中，用户最近一次交易的时间越近越好，因为这类用户更为敏感，对其进行营销，效果更为显著；而交易频次则是越高越好，因为这说明用户对产品满意度更高，复购意愿更强；交易金额也是越高越好，交易金额高的用户对产品的贡献度更大，属于高价值用户。
二、RFM用户分层的操作步骤以某在线教育平台为例（案例中的数据均为虚构），下面将通过excel演示具体的操作步骤。
1. 获取原始数据

文章插图
获取用户分层所需要的原始数据，可以请研发的同学帮忙调出“过去某段时间内某类用户的所有订单数据”，订单中只需包括“用户ID”，“订单交易时间”，以及“实付金额”。
这里应沟通清楚，“过去的某段时间”具体是多久，半年？一年？还是其他的什么时间？另外，是需要所有用户的数据，还是只需要某一类特定用户的数据。
2. 对数据进行初步处理拿到订单数据后，我们需要对其进行初步处理，以算出每位用户对应的“最近一次交易时间差”、“交易频次”和“交易总额”。
首先，运用“now函数”算出当前的时间，再运用“days函数”算出“交易时间差”。

文章插图
接着，通过“数据透视表”功能，对“交易时间差”取最小值项，复制粘贴“用户ID”整列数据后对其取计数项，对“实付金额”取求和项，从而计算出每位用户“最近一次交易时间差”，“交易频次”以及“交易总额”。

文章插图
3. 建立评估模型根据业务特性或数据分布情况来划分数据分布区间，建立评估模型。
1) R值表
这里我们以在线教育为例，参照业务特性，找出关键的时间节点。一般情况下：

新用户注册15天内完成首次购买行为；
一门课程的周期是60天；
用户在180天完成复购行为；
超过365天没有发生购买行为的用户，可视为流失用户。

综上，关键节点分别为“15，60，180，365“，那么我们可以把R值表定义为：
2) F值表
这里我们假设根据数据分布情况进行划分，

文章插图
如图所示，交易频次（订单数量）为1的用户比例在55% 左右，交易频次为2的用户比例在20%左右。1和2之间出现一个巨大的落差，同样的，2和3之间，5和6之间也出现巨大的落差，而交易频次为3，4，5的用户比例之间差别不大，都在7.5%左右，
综上，我们可以把3~5次交易频次的用户作为一个区间考虑，所以，F值的关键节点为“1、2、3、5、6“，可得F值表：