如何进行用户分层,实现精细化运营?利用RFM用户价值模型

66 评论 107839 浏览 646 收藏 16 分钟

本文作者主要是分享一下RFM模型在用户分层精细化运营领域的应用方法和简单的实操案例。enjoy~

在用户运营领域,有一个叫做RFM的词,相信很多人看到过,或许感觉比较专业就没有继续深入;或者有些文章涉及到了python等数据处理手段,望而却步;又或者因为这个词跟电商关系紧密,所以非电商的运营伙伴就选择了放弃学习。

今天主要是分享一下RFM模型在用户分层精细化运营领域的应用方法和简单的实操案例。

RFM模型更上一级隶属于用户价值模型,在用户价值模型中有两个方向:

  • 一个是基于用户生命周期,也就是时间和用户在产品内的成长路径进行的生命周期模型的搭建
  • 另一个就是基于用户关键行为进行的RFM模型的搭建,本次只说用户价值模型中的RFM模型

RFM模型有哪些好处呢?当我们确定了RFM模型之后,从而可以决定针对哪些用户在发送短信时,加上前缀“尊敬的VIP用户”,哪些用户加上前缀“好久不见”。也可以帮助企业判断哪些用户有异动,是否有流失的预兆,从而增加相应的运营动作。用处之大,且看下文。

关于RFM的科普大家可以自行在网络上搜索,这里不做赘述,先说一下三个字母的意思:

  • R:最近一次消费(recency),代表用户距离当前最后一次消费的时间,当然是最近一次消费的时间距今越短越好,对我们来说更有价值,更可能有效的去触达他们。
  • F:消费频次(frequency),用户在一段时间内,在产品内的消费频次,重点是我们对一段时间的定义。
  • M:消费金额(monetary),代表用户的价值贡献。

最早是将R、F、M每个方向定义5个档,5*5*5=125种用户分类,对大部分运营和产品来说,过于复杂,大家可以不用去了解为何分成5档这样的历史问题。现在我们已经把R、F、M每个方向定义为:高、低,两个方向,我们找出R、F、M的中值,R=最近一次消费,高于中值就是高,低于中值就是低,这样就是2*2*2=8种用户分类,如下图:

所以,如果我们能够找出产品内用户隶属于以上8类中的哪一类,我们就可以针对性的制定运营策略。

在做具体的RFM搭建之前,我再强调一次,RFM模型不仅适用于电商领域,其他领域同样适用。只要我们找出跟R、F、M相关的数据字段,做好字段的定义,证明这些字段是影响当前业务进展的最为关键的几个维度即可:

  • R:最近一次登录时间、最近一次发帖时间、最近一次投资时间、最近一次观看时间
  • F:浏览次数、发帖次数、评论次数
  • M:充值金额、打赏金额、评论数、点赞数

上面这些都是在其它领域对R、F、M的定义,具体要根据实际业务情况进行评估。比如你是豆瓣的运营负责人,发现过去一周,豆瓣图书版块的整体流量下降10%,同时,文学书籍类别下的分享帖环比下降5%,你要去分析原因,可以选取对应R、F、M的字段分别为:登录数、发帖数、互动数。

  • 图书版块整体流量下降,可以理解为这个版块的活跃下降,可以看下过去一周的登录数。
  • 文学书籍类别下的分享帖下降5%,可以看下过去一周的发帖数。
  • 同时,流量下降,我们可以看下是否因为帖子质量相对下降,导致用户的互动(评论、收藏等)下降,进而导致流量下降。

下面我以自己抓取的1w条某导购平台的一套数据为例,带大家使用最简单的方法,进行这套数据中用户RFM模型的搭建,找出这8个类别的用户。

RFM模型搭建步骤如下:

  • 抓取R、F、M三个维度下的原始数据
  • 定义R、F、M的评估模型与中值
  • 进行数据处理,获取R、F、M的值
  • 参照评估模型与中值,对用户进行分层
  • 针对不同层级用户指定运营策略

(1)抓取R、F、M三个维度下的原始数据,我抓取是最近一次消费时间、消费频次、消费金额。上文已经说过,在做各自业务分析时,可以根据实际情况选取R、F、M的数据字段。下表是1w条数据中的13条进行展示:

(2)我将1w条数据的最近一次消费时间、消费频次、消费金额分别用占比趋势图进行处理,以消费频次为例,如下图:

大家通过图表,可以看出1w条数据中,关于消费频次出现了几个比较明显的断档,分别是:消费1次、消费2-5次、消费6-11次、消费12-17次、消费18次以上。所以,我把F值分为5档,F=1=消费1次,F=2=消费2-5次,F=3=消费6-11次,F=4=12-17次,F=5=18次以上。

同理,用上图的方式,我找出了R值和M值5当分别对应的数据区间。R=1=2天,R=2=3-8天,R=3=9-14天,R=4=15-22天,R=5=23天以上;M=1=600元,M=2=601-3800元,M=3=3801-6200元,M=4=6201-10000元,M=5=10001-15000元。

我们得到RFM三个数据指标下的分档标准:

(R值时反向值,R值越大,用户价值越低;F值时正向值,F越大用户价值越高;M值时正向值,M值越大用户价值越大。)

(3)计算1w条数据,每条数据下最近一次消费时间、消费频次、消费金额对应的R、F、M值:

上图的计算方式比较简单,我们在excel中写入if语句:

单元格E2=if(B2>23,5,if(B2>15,4,if(B2>9,3,if(B2>3,2)))))

解释:

  • 如果B2大于23,则A1用户对应的R值=5,否则进入下一个if判断;
  • 如果B2大于15,则A1用户对应的R值=4,否则进入下一个if判断;
  • 如果B2大于9,则A1用户对应的R值=3,否则进入下一个if判断;
  • 如果B2大于3,则A1用户对应的R值=2,否则进入下一个if盘点。

计算F值和M值的方式一样。

(4)计算R、F、M的平均值,这一点大家应该都会,直接求和再除以项数。R(ave)=2.9,F(ave)=1.8,M(ave)=2.7

(5)将1w条数据每个用户的R值、F值、M值和平均值进行比较,高于平均值则标记为高,低于平均值则标记为低:

比较高低值,使用一个简单的if语句:

H2=if(E2<2.9,“低”,“高”),F值和M值计算同理。

(6)将每个用户的R、F、M值与中值分别进行比较,得出用户所属类别表:每个用户的R值、F值、M值与中值进行比较,判断高或者低,进而确定用户属于上文所说RFM模型8类用户中的哪一类,这里需要用到一个简单的if语句进行判断,我们以A1用户为例,判断A1用户所属用户类别:

K2=IF(AND(H2=”高”,I2=”高”,J2=”高”),”重要价值用户”, IF(AND(H2=”高”,I2=”低”,J2=”高”),”重要发展用户”,IF(AND(H2=”低”,I2=”高”,J2=”高”),”重要保持用户”, IF(AND(H2=”低”,I2=”低”,J2=”高”),”重要挽留用户”,IF(AND(H2=”高”,I2=”高”,J2=”低”),”一般价值用户”, IF(AND(H2=”高”,I2=”低”,J2=”低”),”一般发展用户”,IF(AND(H2=”低”,I2=”高”,J2=”低”),”一般保持用户”,”一般挽留用户”)))))))

同时,我们点击excel中的“条件格式”,将文本中带有“高”字的设置一个绿色,带有“低”字的设置一个“红色”,更方便我们识别。

至此,我们得到了这1w条数据下用户的完整精细化分层,接下来,大家可以根据分层结果做相应的运营策略具体开展执行工作。

(7)根据用户分层结果制定运营策略

制定运营策略既要结合各类用户在产品中的占比,也要结合产品的实际业务逻辑。以此次某导购平台用户分层为例,制定如下策略:

有些小伙伴在制定策略时,直接甩上来一堆不能称之为策略的“方案”,比如针对“重要发展用户”,我给出的策略是“提升频次”,所有围绕提升频次的手段都可以去尝试,而不是上来就制定比如:发push、发券、打电话等方案,这些都是在策略支撑下的运营手段。策略本身一定是可以延伸和复制的。

除了上述根据用户类别进行运营策略制定,我们还可以分析1w条数据中,R值分布、F值分布、M值分布,基于三个数值的分布以及和中值的比较,针对最近一次消费时间、消费频次、消费金额维度下做整体的运营,提升站内用户整体活跃、整体流程、拉动GMV等。

整体来说,RFM模型不是很难,但是有一些需要注意的点:

  1. 在抓取原始数据时,一定要结合实际业务来选取关键数据指标进行分析,而不是千篇一律的最近一次消费时间、消费频次、消费金额。上文也给过豆瓣的案例,在豆瓣案例中,R=登录数、F=发帖数、M=互动数。
  2. 在定义R值、F值、M值的评估模型进行数据区间分隔时,也不是千篇一律的用本文说述的看整体趋势,从而发现明显断档的形式进行,也可以用散点图、透视表、占比图等进行判断。同时,除了通过数据去发现断档,我们可以基于自己的业务和业内的平均水平进行临界点的发现。比如针对滴滴、易道这样的打车软件,使用频次相对较高的肯定是工作日。所以,如果分析滴滴的业务,F值消费频次的5个分档可以基于实际业务,以每5天作为一档,分析近30天内的业务表现。比如F=1=5天以内,F=2=6-10天,F=3=11-15天,F=4=16-20天,F=5=21-30天。然后将提取的每个用户的消费频次和这5个档进行比较,确定每个用户的F值
  3. 对于中值的计算,最简单的是本文所说的平均值计算方式。除了平均值,还有二八法则,20%的用户创造了80%的收益,所以,可以将这个临界点作为每个用户R、F、M比较的对象。对于更加复杂的业务,可以寻求程序员协助,使用Means聚类算法进行精准取数。
  4. 除了本文所说选取3个核心业务指标进行交叉分析,有些时候,我们可能需要同时分析4个、5个指标,或者只需要分析2个指标。所以,不需要很死板的使用本文的计算方法,要灵活变通,这里不再举例。
  5. 最终还是要回归到运营上来,所以,针对不同分层用户的运营策略的制定要结合实际,在制定了运营策略之后,结合公司现有资源和手段开展具体的落地工作。

对于本文的内容,建议大家实操尝试。

#专栏作家#

Chris,微信公众号:产品运营(pm-2020),人人都是产品经理专栏作家,关注在线教育、社交、电商并参与多个项目从0-1的搭建。转型互联网金融,负责信用卡和现金贷产品的全流程运营工作。热爱将别人眼中“不值一提”的细节用文字呈现出来。

本文原创发布于人人都是产品经理 ,未经许可,禁止转载。

题图来自 Pixabay,基于 CC0 协议

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 你多篇文章的数据,表格,案例都一模一样,怎么连案例都撞上了?

    来自江苏 回复
    1. 我不清楚你这么着急开喷的目的,我其实也不必要回复,毕竟是一篇写了快2年的文章,而且现在网络上运营课程这么多,学习了课程的人,不管实际工作中有没有掌握模型的实操方法,都喜欢写一写,到处发一发。所以,如果你喜欢鉴别真假,可以像我上一条所说,去网络上搜索一下,我相信你半个月都喷不完。

      回复
    2. 另外,同学,我其实也想问你一个问题,比如hook模型,如果有一天你上了某个老师的课程,了解到这个模型后,再在其它任何网站上看到这个模型的文章,是不是都认为是抄袭老师的课程?先入为主的思想会对你自己发展不利。模型是公开可用的,如果是某个老师自己的一套方法,那我一定不会去写。

      回复
    3. 模型方法一样当然没有问题,你用的案例数据都是别人付费课程里的内容,一模一样,而且是远不止这一篇是多篇文章。我在开喷前当然有搜索过,我也不想误伤别人,但搜来搜去都是你这边在各个平台发的文章,还真就你一个人这么抄袭别人。难道按你的逻辑,网络上别人也抄我就不应该大惊小怪你就没有问题?

      来自上海 回复
    4. 模型方法一样当然没有问题,你用的案例数据都是别人付费课程里的内容,一模一样,而且是远不止这一篇是多篇文章。我在开喷前当然有搜索过,我也不想误伤别人,但搜来搜去都是你这边在各个平台发的文章,还真就你一个人这么抄袭别人。难道按你的逻辑,网络上别人也抄我就不应该大惊小怪你就没有问题?。。

      来自上海 回复
  2. 非原创要脸?你的很多篇文章都是张亮课程里的内容,不标明出处简直了,哪里原创了????

    来自江苏 回复
    1. 朋友,看你这么着急连续评论,我的邮箱不断收到通知,我回复你一下,帮你平复下情绪。
      1、如果你是资深运营,应该了解RFM模型很早就有,非现在的运营从业者所创。
      2、本文写于2018年
      3、张亮老师,我有他微信,看过他的书,很钦佩。但我并未上过他的任何课程。
      4、本文的图片,第一张,模型图片,所有说到这个模型的内容大都是这张图。第二张,我自己做的图,这个模型分8层,标准化内容,没什么可创新的。第三张到第八张,你说数据、案例一摸一样,请你找出来,我感谢你。剩下的图片,均是基于上述数据表格的可视化分析。
      5、如果你只喜欢逛人人都是产品经理,那我建议你网络上搜索下“RFM模型用户分层”的文章,遍地都是。

      回复
  3. 如果B2大于9,则A1用户对应的R值=3,否则进入下一个if判断;
    如果B2大于3,则A1用户对应的R值=2,否则进入下一个if盘点。

    那么B2等于9,则A1用户是不是应该是2。我看表格标的是3. 🙄

    来自北京 回复
  4. 作者R值的逻辑,前后有矛盾。重要价值用户的R值明明是越低越好,你自己在中间部分也强调了“(R值时反向值,R值越大,用户价值越低;)”到最后却又变成了RFM三高才是重要价值用户。很明显重要价值用户应该是R低F高M高

    来自四川 回复
    1. 是的没错

      来自广东 回复
  5. 我是**吗 ?我没看懂表格。。。

    来自上海 回复
  6. 2的R值低于2.9,是因为R值是反向的么?

    来自广东 回复
    1. 反向安排,R值越低越好,FM值越高越高

      来自北京 回复
  7. 非常感谢,这篇文章详细理清楚了RFM关于用户价值分层的应用,不过文章中有个疑问:示例中只是将每个维度分成高低,直接对对应数值进行平均后比对即可,为何前面还需要多一分5个区间再取值的步骤?

    来自广东 回复
    1. 个人理解是避免极大值或极小值的影响吧

      来自浙江 回复
  8. E2的R值低于2.9阿,为什么还是高?

    来自浙江 回复
    1. 因为是反的

      来自北京 回复
  9. 如果一个数刚好等于平均值怎么办?是高还是低呢?

    来自浙江 回复
    1. 缺少等于

      来自北京 回复
  10. 既然把R、F、M每个方向定义为:高、低,两个方向,我们找出R、F、M原始数据的中值不就可以划分出高低了吗?为什么还要先划分5个区间以后再找出中值划分高低?

    来自上海 回复
    1. 是为了用户分层,尽可能的分层。只划分高低没有意义

      来自北京 回复
  11. 很实用的文章,想问一下占比趋势图是用什么方式生成的

    来自上海 回复
  12. 一篇从理论到实践良心文章啊,看完以后恍然大悟,终于可以实操一次了

    来自北京 回复
  13. 非常受益!现在就着手分析客户数据。
    想请教下那个用户占比趋势图的Y轴数据是什么?怎么出来的百分比?谢谢

    来自荷兰 回复
  14. 十分感谢分享~~~~~期待更多您的文章

    来自北京 回复
  15. 很清晰,感谢~

    来自北京 回复
  16. 老师你好,请教一个问题,目前在函数这里卡起了,由于我的R值只有3个等级,函数我是这样设置的H8=if(E8>17,3,if(E8>6,2,if(E8>2,1))))),无法计算出结果,请问函数是写对了吗?

    来自福建 回复
    1. 你这个函数其实是分了四个等级,最后一个其实还隐含了≤2的情况

      来自湖南 回复
    2. 能说下如何写吗?又试了很多次还是不行,对函数实在不太懂 😥

      来自福建 回复
  17. 看懂了,只是对表格函数太弱了,不过对用户分层运营终于理解了,为了加深印象,决定着手写一篇,并找机会在工作中实践。

    回复
  18. 思路都是相近的,感觉这里面的数据有问题,怀疑原创性。

    来自浙江 回复
  19. 弱弱地问一句,H2(R值)=if(E2<2.9,“低“,”高”),R的高低值算反了吗? 🙄 还是说要把R的分档标准的顺序反一下?

    来自上海 回复
    1. 反了,这个应该是 大于

      来自北京 回复
  20. 真的是干货,很干很有料!拜服!期待作者有更多这样的高能产出!

    来自上海 回复
  21. 请问怎么对在线教育K12用户的核心指标进行定义呢

    来自广东 回复
  22. 请问您文章中举例提到的最近一次消费时间,表格里的数字都是整数,这个是怎么取数的 不应该是具体时间么

    来自北京 回复
    1. 截取1万个用户的行为时间周期,取数是该用户消费最后一次距离你统计这一刻的距离天数的数值

      回复
  23. rfm现在更多算是一种思维模式,做方法论有很多局限性,毕竟这个简易模型起源于传统行业

    回复
  24. 你好,文章很受益,有个小细节请教。 滴滴那个例子,平时和周末有明显的频次区别,那周期间隔为什么不是7天,而是5天?

    来自上海 回复
    1. 抱歉,这个小细节有问题 🙂 你理解的是对的。

      来自广东 回复
    2. 间隔是7天的话,应该怎么划分?

      来自上海 回复
  25. 举得例子非常实用,终于知道RFM模型怎么使用了,感谢

    来自北京 回复
    1. 不客气,加油~

      来自广东 回复
  26. 请问下不适用的情况有哪些?

    来自广东 回复
    1. 这个问题太大了,有很多不适用的情况,只能说灵活变通了,比如针对只有两个维度的业务,就可以在现有的RFM模型上已经变形,进行两个维度下的分析。

      来自广东 回复
  27. H2函数公式写错了吧

    回复
    1. 哪里,可以指出哈

      回复
  28. 怎么对视频网站会员的核心指标进行定义呢

    回复
    1. 这个要根据你们的实际情况做分析,一般情况下,视频网站可以考虑最近观看的时间、观看市场、互动情况(收藏、分享、评论)、付费情况等。

      来自广东 回复
    2. 是否可以将付费和非付费用户进行区分,用两张表格呈现,针对付费和非付费中不同等级的用户,制定不同的策略。

      来自上海 回复
  29. Rfm 模型建立的用户分层机制确实是一个基础,但还是有一些运营指标变动而无法解释的情况,感觉还是去玩继续细分画像纬度找到差异点

    回复
    1. “去玩继续细分画像维度”这个不太明白。文章说了,RFM模型是用户价值模型的一种方式,还有生命周期、金字塔、AARRR、用户个性化特征/需求模型等,这些不是生搬硬套,文章也说了,模型不生效,就考虑交叉维度分析,灵活变通即可。

      来自广东 回复
  30. 你这篇是抄袭的致远的《如何成为运营大牛》系列,真无耻

    来自北京 回复
    1. 我不知道你是否了解RFM的起源,如果了解的话,你会发现,目前互联网上散布的所有RFM相关的文章、教学视频都是在起源基础上换着法的表达。RFM的三个字母的意思、四维立体象限、八分方向的用户分层,这些都是前人定下的,我是没法去改变的,你去搜索RFM的图片,能看到的就是这样的,你看其他人的文章的图片也是这样的,每个人都一样。我们没必要在一些基础的内容上浪费太多时间,就像做语音识别的公司会直接接入科大讯飞的API一样。但大部分文章表达的是什么?是介绍RFM为何物,不知道实际中怎样操作,不知道RFM模型的使用操作流程。致远的文章我看过,其它很多人的文章我都看过,所以才会有开头那句:“在用户运营领域,有一个叫做RFM的词,相信很多人看到过,或许感觉比较专业就没有继续深入;或者有些文章涉及到了python等数据处理手段,望而却步;又或者因为这个词跟电商关系紧密,所以非电商的运营伙伴就选择了放弃学习。”

      我写的这篇文章核心的是什么?是我对大家在使用RFM过程中要注意点的总结;是我举例告诉大家RFM不仅可以适用于电商,其它业务模式中也可使用;是我告诉了大家RFM模型正确的使用流程。关于你说我抄袭,我能看出来的就是在Excel中的那些计算公式,我想请问,你平时每天在用的求和、平均值,是不是都算抄袭了?我原本就是为了避嫌,不想把公式写出来的,因为公式是使用RFM中最不重要的部分,最重要的是思想,是怎样选取源数据、怎样确定评估模型和中值。没想到还是被人诟病。

      RFM模型你去网上搜一下,能看到的就是四维立体象限图、看到的就是八个方向的用户分层,这个不是我们现在写文章的谁发明的,我也没必要为了避开什么,非要表格做的不一样,表头换个颜色,没必要。

      人人都是产品经理网站审核通过,就表示了这一点,我自觉没问题,祝你进步。

      来自广东 回复
    2. 有没有专门讲用户各种模型的书籍?求推荐,现在对用户还无法形成系统的架构

      回复
    3. 不用在意,网络喷子太多;本文重在结合具体案例的实践

      来自陕西 回复
    4. 支持你,你写的很好,表达自己的观点,分享自己的经验,不必在意每个人的不同的眼光!问心无愧即好。

      来自上海 回复
    5. 你多篇文章的数据,表格,案例都一模一样,怎么连案例都撞上了?

      来自江苏 回复
    6. 这篇的RFM和致远的不算抄袭,另外,要尊重作者。

      来自北京 回复