数据分析十大模型之二:RFM模型 - 91运营网
91运营VIP会员全新升级,尊享多项权益, 点击查看 >
X

数据分析十大模型之二:RFM模型

发布者: 91运营  2488

系统学习运营课程,加入《91运营网VIP会员》,开启365天运营成长计划>>

数据分析十大模型之二:RFM模型

今天分享的是RFM模型。RFM网上有很多网红文章在讲,但是大部分都是人云亦云,也没有和业务实操结合。今天就做个深度解读,从底层逻辑讲起。

RFM模型的底层逻辑

在漏斗模型篇,我们讲过:大部分业务都是按流程推进,可以做漏斗分析。但是,大家有没有想过一个问题:

1、如果没有转化过程记录,该怎么办?

2、如果用户行为频率很高,有几十个漏斗,怎么办?

3、如何用户之间行为差异很大,有人几十个漏斗,有人只有1个,咋办?

此时,你本能地会想到:能不能不要每次都统计漏斗,而是直接看行为结果的发生频率、发生数量、发生时间,这样就能快速区分出高低用户之间的差异。是滴,这是个正确的思路,RFM模型的设计思路正是如此。

RFM模型计算方式

RFM一般用于统计用户消费行为

R(recency)最后一次消费距今多久

F(frequency)最近1段时间内消费频率

M(monetary)最近1段时间内累计消费金额

以上就能统计出RFM指标,统计后形式如下表所示,每个用户有对应的RFM指标数值。

114 数据分析十大模型之二:RFM模型

这里有5个要点注意:

1、RFM以用户ID为单位进行统计,如果是传统零售,没记录用户ID,只有订单小票的流水号,则没法用这个模型,至少得有个手机号做ID。

2、F值统计规则要看业务场景,如果一天内可能多笔、反复交易,可以直接统计有交易天数,如果一个天之内一般只交易一笔,或者好多天一笔,可以直接统计笔数。

3、最近1段时间,到底看多久?和业务特点有直接关系。原则上,越高频的业务,看得时间越短,比如都是零售,如果是生鲜可以以周为单位统计(人每天要吃饭)如果是日杂可以以月为单位统计。

4、新用户因为时间太短(比如注册不足1周/不足1个月)则单独统计,RFM适用于有一定时间的老用户。

5、R的分段原理同上,越高频的业务,R分段越短。如果是生鲜可能以天来看。越低频的业务,比如理财、贷款,可能以月甚至季度为单位来看。

在计算完RFM数值以后,网红文章一般会让你把RFM三个值丢进kmean聚类,然后捏成4~5个分类。或者直接把RFM每个指标分成高中低,然后砍成3*3*3=27类。实际上这样做并不好使唤,现实中你真分27类,业务估计会气得跳起来:“你让我咋配27个完全不一样的策略”。

因为站在业务的角度,R值的意义就是唤醒,R越远,越需要唤醒越大且唤醒难度越大。所以业务一般更重视M+F的分类结果。

比如在零售/电商业务中,M值高的用户一般后续购买动力也高,因此要重点提升其F值,把他先留住。而F高、M低的用户则意味着机会,可以尝试做增量/交叉营销,以提升M。因此实操的时候,一般如下分类:

210 数据分析十大模型之二:RFM模型

RFM模型的使用方式

注意!RFM只是简单把轻中重区分出来,并不能推导出很切实可行的业务行动。网红文章一般会忽视这一点,导致有些同学盲目抄一个RFM的计算案例,结果面试被质疑。

对业务而言,知道用户的轻中重是一回事,能影响用户是另一个回事。作为一个消费者,你关注的始终是:这个东西我需不需要?这个东西我喜不喜欢?这个东西要花多少钱?因此,需要在RFM做了分类的基础上,进一步考虑用户购买品类、折扣等因素。

比如,即使用户RFM值完全一样:

  • 都是购买了3000元,买1台空调VS买1件衣服的不一样
  • 都是购买了500元的酒,买1瓶价格500 VS买50瓶10元的不一样
  • 都是购买了3000元衣服,一次买5件上衣和一次买整套穿搭的不一样
  • 都是购买了3000元,原价购买3000与打8折下实际花3000不一样

因此,一般对M或F值较高的用户群体,会进一步分群。分群时,考虑自己公司的产品特点,区分价格敏感度高低,对新品、搭配的偏好。从而推导可落地的影响策略。

至于MF值较低的用户,一般与我司还没有建立啥感情,直接用当季新品、大折扣商品、爆款产品、引流产品轮番轰炸,试着提升M、F以后再做分群(如下图)。

312 数据分析十大模型之二:RFM模型

RFM的扩展应用

当你理解了RFM的原理之后,你会发现它非常好用,试问,除了零售消费外,还有没有其他业务场景,也符合以下情况:

1、用户行为频率很高

2、用户之间行为差异很大

3、需要考察一段时间内累计行为

有!比如典型的互联网产品分析,特别是内容型产品(短视频、小说、社区论坛)、工具型产品(在线文档、OA等SAAS产品)和社交产品,都符合这个特点。比如逛知乎,用户浏览行为非常多,且看一篇文章时间很短,转发点赞也都是一瞬间的事。此时可以仿效RFM模型,构造一个分析用户行为的模型。

比如统计:

R(recency)最后一次登录距今多久

F(frequency)最近1周内登录频率

Q(quantity)最近1周内累计登录时长

此时,就可以区分出轻中重度用户,并且根据R值大小,制定召回计划。我们姑且管它叫RFQ模型好了(如下图)。

47 数据分析十大模型之二:RFM模型

同RFM的弱点一样,RFQ并没有考虑用户的内容类型偏好,因此需要结合内容类型来看。特别是针对F、Q较高的用户,要关注其是否对某一个垂直内容/特殊功能特备有需求。对于FQ都很低的用户,处理原理同样是:用爆款内容去轰炸,先撩起兴趣再说。


勾搭小编微信号yunyingba,加入91运营官方社群,会运营的人都在这里了

加入vip会员
分享到:


扫码加入91运营社群