大家好，我是愛學習的小xiong熊妹。
今天跟大家分享的是一個經常被提及，但是價值被嚴重低估的模型：RFM模型。
一、RFM的基本思路
RFM模型由三個基礎指標組成：
-
R：最近一次消費至今的時間
-
F：一定時間內重復消費頻率
-
M：一定時間內累計消費金額
RFM模型里，三個變量的含義是很具體的：
-
M：消費越多，用戶價值越高，越應該重點關注。
-
R：離得越遠，用戶越有流失可能，越應該喚醒用戶。
-
F：頻次越低，越需要用一次性手段（比如促銷、贈禮），頻次越高，越可以用持續性手段（積分） 來維護
因此RFM能直接從數據推導出行動建議，是一種非常好用的辦法。
二、RFM的小例子
一起來看個具體例子：某個打車出行APP，已按RFM格式，統計好用戶數據（如下圖，僅為示例數據100條），現領導要求：分析分析用戶情況。要怎么分析呢？
第一步：先看M。區分用戶價值是第一位的，先認清誰是大客戶，誰是小客戶，后邊工作思路才清晰。我們可以用十分位法，簡單地對用戶分層，看哪些是大客戶（如下圖）。
分好組以后，可以打開數據透視表，看一下每組的消費占比。
哇！第一組用戶就貢獻了40%+的消費，前三組合起來，共30%的用戶貢獻額74%的消費，真是大客戶呢，因此可以分類如下：
- 第一組：VIP3（最高級VIP）
- 第二組、第三組：VIP2（每組消費占整體大於10%）
- 第四、第五組：VIP1（每組消費占整體大於5%，小於10%）
- 剩下5組：VIP0（單組消費占整體不足5%）
這里可以用一個IF語句，來做好分類（如下圖）。
分類完以后可以觀察每組的消費門檻在哪里，比如第一組的門檻是798元/月。在運營制定策略的時候，很有可能為了方便，找一個最近的整數。因此可以做一個手動調整，把VIP3的門店改到：一個月內消費800元。類似地，其他門檻也能做同樣調整。
調整好了以后，我們已經分離出了大客戶/小客戶，可以做下一步的分類了。下一步可以做R。如何確定R的分類呢？可以直接根據業務特點來定。比如打車，即使再需要坐車的人，也不可能天天出門，因此R值不需要設定的太短，否則天天在人家耳朵邊喊：“來坐車來坐車”，也太過度騷擾用戶了。
R值可以以周為單位分類。一周內有工作日和休息日，如果用戶真的是剛需，那么最遲1周也該來坐一次車了（如下圖）。
分好類以后，可以做交叉表，觀察不同VIP的客戶在R值分布情況（如下圖）。
看起來，VIP等級越高，R值越小，而VIP0的用戶，居然有80%已經2周以上都沒來了，要么真的沒需求，要么已經流失了。這樣，對VIP0的分析建議，也很清楚了：結合天氣、節假日、活動等具體場景，給小額優惠，配合單次打車優惠券喚醒用戶。
對於很高價值的：掏真金白銀，維護好關系
對於很低價值的：定時喚醒，撈回來一個是一個
對於不高不低的，則要區分行為來看。
比如本案例中VIP1型用戶，活躍度的兩級分化很明顯，一波人很活躍，一波人很沉默，而其消費能力都是差不多的。此時可以有兩個基本策略：
針對高活躍的，推出一個捆綁XX天的優惠套餐，鎖定后續消費
針對低活躍的，在其沉睡一段時間以后，推出大額激勵，拉動二次消費
這樣的思路下，F就可以作為參考，從VIP1里，用F值區分出高低活躍兩類人，之后制定具體策略。
這樣就完成了一個簡單的RFM分析，而且每個客群都有針對性業務建議給到哦。
如果只到這里就停下，那就太可惜了！因為RFM模型價值遠遠不止於此。
三、RFM的變型
RFM的真正價值，在於：它是一種利用時間、頻次、數量關系，區分輕重度用戶的方法。在很多業務場景下，都可以用類似的思路解決問題。
比如：考察用戶的活躍行為，也可以分為RFA
-
R（Recency）：最近一次活躍距今時間
-
F（Frequency）：最近1周內活躍頻次
-
A（amount）：最近1周內累計活躍時長
這時候，RFA組合，也能清晰地區分出輕重度用戶。並且，根據RFA組合，還能找到下一步運營思路，比如以下兩個用戶，看起來大體相似，但可以根據行為特點，設置不同的內容推薦方案，激活用戶：
四、RFM的缺點
注意，RFM的缺點是很明顯的：它僅僅考慮了用戶的行為數量，沒有考慮用戶在干什么。比如用RFM考察用戶消費，就少了一個關鍵內容：用戶買的是啥。同樣的RFM數值，可能情況完全不一樣，比如：
-
R：距今30天未消費
-
F：最近1個月僅1次消費
-
M：1000元
在RFM分類里，符合上述條件的是同一類客戶。可是，如果我們發現：
A用戶：趁大促銷，囤了1000元洗發水、沐浴露、護發素、紙巾
B用戶：趁大促銷，買了個1000元的空調
那即使RFM分類一致，我們也知道，A與B用戶是完全不同的兩類人，應該采用2類激活消費的策略。因此，RFM模型可以用，但是要結合用戶消費品類，做細化思考哦。
作者：小熊妹。公眾號：碼工小熊。數據界新人，喜歡數據分析、數據挖掘。