正文

rfm用戶分析模型（用戶模型rfm的例子）

發(fā)布時間：2023-04-19 07:32:33 稿源：創(chuàng)意嶺閱讀： 95

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于rfm用戶分析模型的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、如何分析RFM模型才能最有效，才能真正起到精細化運營的作用？
2、RFM模型如何實際應(yīng)用？
3、評估客戶價值的三種模型：RFM、CLV、顧客社交價值模型
4、用戶分層-RFM分層方法論

rfm用戶分析模型（用戶模型rfm的例子）

一、如何分析RFM模型才能最有效，才能真正起到精細化運營的作用？

舉一個互聯(lián)網(wǎng)餐飲的例子~來證明如何分析RFM模型：

如何通過外賣訂單數(shù)據(jù)，分析用戶的基本屬性；

用戶的訂單上都有訂餐地址，通過對于訂餐地址的統(tǒng)計，我們可以查詢到不同條件組合下的用戶分布，甚至能知道喜歡某道菜的用戶都在哪里。類似的用戶數(shù)據(jù)挖掘，還可以根據(jù)復(fù)購構(gòu)成、復(fù)購用戶跨平臺使用情況、性別組成做更精細化的分析。值得注意的是，數(shù)據(jù)平臺間的差異還是蠻大的，有利于針對不同平臺做出不同的營銷策略。

上面這些最基本的用戶屬性對于精細化運營還是不夠的。因為這些信息無法幫助你解決下面四個問題——

1.誰是我的重要價值客戶，他們都有什么特點？

2.誰是我需要重點保持聯(lián)系的客戶，他們都有什么特點？

3.誰是我的重要發(fā)展客戶，他們都有什么特點？

4.誰是我的重要挽留客戶，他們都有什么特點？

2.如何通過RFM模型，為用戶分群，實現(xiàn)精細化運營

　RFM模型是一個被廣泛使用的客戶關(guān)系分析模型，主要以用戶行為來區(qū)分客戶，RFM分別是：

R = Recency 最近一次消費

F = Frequency 消費頻率

M = Monetary 消費金額

需要詳細了解以上三個指標定義的，百度會將維度再細分出5份，這樣就能夠細分出5x5x5=125類用戶，再根據(jù)每類用戶精準營銷……顯然125類用戶已超出普通人腦的計算范疇了，更別說針對125類用戶量體定制營銷策略。實際運用上，我們只需要把每個唯獨做一次兩分即可，這樣在3個維度上我們依然得到了8組用戶。

重要價值客戶（111）：最近消費時間近、消費頻次和消費金額都很高，必須是VIP??！

重要保持客戶（011）：最近消費時間較遠，但消費頻次和金額都很高，說明這是個一段時間沒來的忠實客戶，我們需要主動和他保持聯(lián)系。

重要發(fā)展客戶（101）：最近消費時間較近、消費金額高，但頻次不高，忠誠度不高，很有潛力的用戶，必須重點發(fā)展。

重要挽留客戶（001）：最近消費時間較遠、消費頻次不高，但消費金額高的用戶，可能是將要流失或者已經(jīng)要流失的用戶，應(yīng)當基于挽留措施。

rfm用戶分析模型（用戶模型rfm的例子）

3.如何在BDP個人版上建立RFM模型，幫助用戶分群

這時候可能會有朋友問了，天啦，你這個三維模型，我沒辦法用BDP來建表格了。所以我們需要做的是將三維模型二維化，我們將R域切一塊出來（即在近30天有復(fù)購的用戶中做分析），壓扁了就會看到。

上方的表示或許還是太學術(shù)了，簡單的說

第一步：先挑出來近1個月的復(fù)購用戶。

第二步：近1個月內(nèi)復(fù)購用戶的平均實付金額做縱軸。

第三步：近1個月內(nèi)復(fù)購用戶的購買次做橫軸，生成表格。

第四步，你需要自己在這個表格上劃紅線。

rfm用戶分析模型（用戶模型rfm的例子）

橫著的紅線，代表著你認為來吃飯的客人平均每餐該花多少錢，我這里設(shè)定的值是25元，叫外賣25都沒付到，對我而言是低消費金額（低M）用戶。

豎著的紅線，代表著你認為復(fù)購多少次的客人，是你的高頻用戶。外賣點餐流動率很大，一個用戶每個月能在一家店點三次以上的菜，對我而言即是高頻。

這樣，BDP個人版上的RFM模型就建立好了。這個RFM模型在實操時有什么用呢？舉個例子

比如對圈用戶群發(fā)短信轉(zhuǎn)化只有不到1%時，你可以用RFM做個分析，只選取R值高的用戶(最近2周到最近一個月內(nèi)消費的用戶），轉(zhuǎn)化率可以由1%提升到10%。

這也意味著，以往6元/訂單將下降到0.6元/訂單。掌柜們是愿意花600元給10000個用戶發(fā)短信，得到100個訂單，還是愿意花48元給800人發(fā)短信得到80個訂單，相信大家一定會選后者。

而整體的RFM區(qū)分，則能夠幫掌柜們針對不同的用戶發(fā)不同的短信，短信的開頭是用“好久不見”、還是用“恭喜你成為VIP”，就得看時重要保持客戶還是重要價值用戶了。只有能區(qū)分用戶，才能走向精細化運營。

二、RFM模型如何實際應(yīng)用？

這是一個人人都可以上手的模型，不管你是運營、銷售、財務(wù)、市場等等，RFM模型是一個很通用，又有一套科學理論的商業(yè)模型。這是一篇我花了五小時的教程（真的是寫到崩潰，幸好我熬下來了，給大家分享實實在在可上手的干貨）數(shù)據(jù)源準備只需四個字段：客戶名稱、交易日期、交易次數(shù)/頻率、交易金額。如果你手頭剛好有這樣的數(shù)據(jù)源不妨試試做這個模型吧。下面三頁是介紹什么是RFM，后面是全部的實操教程，Tableau和Excel通用操作，我保證你看了能立馬上手。如何通過訂單數(shù)據(jù)，分析用戶的基本屬性用戶的訂單上都有訂餐地址，通過對于訂餐地址的統(tǒng)計，我們可以查詢到不同條件組合下的用戶分布，甚至能知道喜歡謀道菜的用戶都在哪里。舉個簡單的例子，下圖表示的是普通可樂和健怡可樂的用戶分布，類似的用戶數(shù)據(jù)挖掘，還可以根據(jù)復(fù)購構(gòu)成、復(fù)購用戶跨平臺使用情況、性別組成做更精細化的分析。值得注意的是，數(shù)據(jù)平臺間的差異還是蠻大的，除了跨平臺分析也需要分平臺對比，有利于針對不同平臺做出不同的營銷策略。上面這些最基本的用戶屬性對于精細化運營還是不夠的。因為這些信息無法幫助你解決下面四個問題——

1.誰是我的重要價值客戶，他們都有什么特點。

2.誰是我需要重點保持聯(lián)系的客戶，他們都有什么特點。

3.誰是我的重要發(fā)展客戶，他們都有什么特點。

4.誰是我的重要挽留客戶，他們都有什么特點。想要解答這個問題，我們需要動用更高階的分析模型，去挖掘有效信息。如何通過RFM模型，為用戶分群，實現(xiàn)精細化運營RFM模型是一個被廣泛使用的客戶關(guān)系分析模型，主要以用戶行為來區(qū)分客戶，RFM分別是：R = Recency最近一次消費F = Frequency 消費頻率M = Monetary 消費金額需要詳細了解以上三個指標定義的，可以去戳度娘，教科書式的RFM區(qū)分，會將維度再細分出5份，這樣就能夠細分出5x5x5=125類用戶，再根據(jù)每類用戶精準營銷。

rfm用戶分析模型（用戶模型rfm的例子）

三、評估客戶價值的三種模型：RFM、CLV、顧客社交價值模型

筆者一直從事于用戶運營領(lǐng)域，很多情況下都是要在資源有限情況下，去最大化的撬動效益，如何挖掘能創(chuàng)造最大價值的客戶就是用戶運營的最基礎(chǔ)工作了。這個和基于用戶價值的細分模型基本上是一個意思，注意本文討論的用戶價值指的是用戶對企業(yè)創(chuàng)利能力的衡量，而不是傳統(tǒng)營銷學理論中企業(yè)為客戶提供的價值。

本文我們會來談?wù)劤Ｓ玫膸讉€衡量客戶價值的模型，以及它們的區(qū)別和應(yīng)用場景。

提到如何衡量客戶價值，RFM基本上是頭腦中第一個想到的模型，也是大部分運營人員都會接觸到的。根據(jù)Arthur Hughes的研究，發(fā)現(xiàn)客戶的數(shù)據(jù)中有三個非常重要的指標：

這三個指標非常有意思，我們可以從中將用戶的活躍度，忠誠度和消費能力評估出來，如下圖：

按照案例中的情況，我們分別將R\F\M三個值都再細分成了4個等級，現(xiàn)在大家可以思考一下：000代表了什么客戶，她與004的區(qū)別在哪里？她們的價值是否不同，是否要區(qū)分維護？

在下面的表格里，我會列舉當中一些具有明顯特征的用戶價值細分，大家可以好好體會一下：

最后以一個問題，結(jié)束對RFM的探討，大家認為040與004，哪個價值更大些呢？

我們知道并不是所有的顧客都具備相同的價值，如果企業(yè)能夠?qū)Ｗ⒂谀切┛梢詭碜畲笪磥砝娴目蛻?，就可以實現(xiàn)更好的運營。所以企業(yè)必須識別出這些客戶，CLV是對客戶未來利潤的有效預(yù)測，它還有另外一個名字，叫做LTV （life time value)。

實際上這個模型在中小企業(yè)的具體運營中應(yīng)用到的不多，更多是在做年度規(guī)劃，年度財務(wù)核算，或者企業(yè)戰(zhàn)略中會較為常見的使用，以站在企業(yè)的戰(zhàn)略層面去考慮顧客價值與投入之間的關(guān)系。

這里需要特別說明的是，CLV考慮了完整的客戶生命周期，包含客戶獲取和客戶流失，也就是它計算的不只是眼前顧客已經(jīng)產(chǎn)生的價值，還預(yù)測了未來價值。

CLV的計算公式有非常多，有的會非常復(fù)雜，主要在流失率這個環(huán)節(jié)和影響因素就相當多，也有會加上投入成本，價值變化率和利率變化等等。

我認為比較實用簡單的是這種：

注意此公式對群體有效，對個體精準度較低，因為個體流失率影響因素太多，而群體流失率卻是可以統(tǒng)計的。

那對于CLV的應(yīng)用，可以從以下兩個模型來看，將企業(yè)的最優(yōu)客戶與不值得投入的客戶區(qū)分出來：

最后也以一個問題，結(jié)束對CLV的探討，大家認為這個公式實際應(yīng)用中如何提高計算的精度呢？

（1）顧客社交活躍度模型

其實這個是我寫這篇文章的初衷，實際上在我目前的工作中，單獨用以上基于顧客消費屬性來給顧客做價值判斷和細分已經(jīng)很少見了。在目前新的商業(yè)環(huán)境下，品牌與用戶不僅僅是消費購物，推送產(chǎn)品的關(guān)系，而更多是互動與彼此認知。單個用戶自帶的傳播屬性和影響力，反而收到了越來越多的重視和運用。

用平實的語言來說，顧客的價值不僅僅是她給企業(yè)直接帶來的現(xiàn)金利潤，也應(yīng)當考慮用戶對企業(yè)美譽度，傳播度的價值影響。

最近看到的對于顧客社交價值測算的模型還是非常有用處的，分享給大家。

這個模型用于區(qū)分品牌的社交活躍度用戶，這部分用戶在對于品牌ugc內(nèi)容產(chǎn)出，社區(qū)活躍度上起到很大貢獻。

（2）顧客影響力模型

這個模型在于找到品牌中的影響力人群，目前的KOL影響力毋庸置疑，如果品牌能從自身用戶中發(fā)覺培養(yǎng)，定能起到四兩撥千斤的作用。

以上就是三種常見的用戶價值分析模型，那在日常運用中，還是要化繁為簡，考慮實際運用場景，選擇適合的運用模型。

這里給到大家的建議是將模型計算的結(jié)果標簽化放在每個用戶身上，比如：用戶A，可以給她貼上“活躍度高，影響力弱，可獲利客戶”等等，那么在實際運用中，即可靈活根據(jù)標簽篩選人群，進行營銷策略。

四、用戶分層-RFM分層方法論

我們都知道，所有的運營工作都是圍繞著用戶展開的。運營策略從某種程度來說，就是資源對用戶的有效分配。那么，知道什么用戶應(yīng)該制定什么樣的運營策略，就尤為重要了，而這就要依賴于我們的用戶分層了。

在運營過程中，用戶分層的作用很明顯，它能 幫助我們把用戶分成各個層次和群體，然后我們根據(jù)各個層次和群體的不同，才能有的放矢的制定出更精準、更有針對性的運營策略。

我們在運營工作中，經(jīng)常會聽到“用戶畫像”、“用戶分層”、“用戶分群”這幾個詞，貌似有些類似特別是后面兩個，但如果嚴格說的話，還是有區(qū)別的。

本篇準確地說應(yīng)該是包括了“用戶分層+用戶分群”，這里就統(tǒng)稱為用戶分層了。而本篇我們也會通過一個實例，用一張Excel表作為工具，從零開始一步一步的完成一次用戶分層過程。

關(guān)于用戶分層，我們需先明白以下幾點：

一、用戶分層在不同的行業(yè)中是不一樣的，而且可能是多樣化的。

比如滴滴打車，用軟件打車的人是一種用戶；司機也是一種用戶；廣告商也是一種用戶。如果要做用戶分層的話，就需要對這三種類型的用戶分別做一套不同的用戶分層體系。

二、用戶分層在產(chǎn)品發(fā)展的不同階段會有不同的變化。

比如我們區(qū)分價值用戶和一般用戶，

初期我們產(chǎn)品少，一個月買2次化200元錢可能就是我們的價值用戶了。

隨著公司的發(fā)展我們產(chǎn)品的不斷增多，需要一個月買10次化5000元才有能算是我們的價值用戶了。

三、用戶分層需要定性和定量

如上面的例子一樣，我們需要對用戶有一個定性的過程，如價值用戶、一般用戶，或者VIP，超級VIP等等；然后必須要對此進行定量，比如消費多少金額才能算價值用戶。

那么如何用科學化的手段進行一次用戶分析，以確定各用戶群體的行為特征，完成一次用戶分層的過程，就必須要說到經(jīng)典的RFM用戶模型了。如下圖：

RFM模型歷史悠久，其理論知識這里就不闡述了，簡單的說就是通過 最近一次消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)這三個指標 ，然后把每個指標按照實際的情況，分成5檔，一共形成了125類的用戶。然后為了執(zhí)行方便，把125類的用戶歸納成8大類， 如下圖 ，最后根據(jù)這8大類用戶的情況制定運營策略。

這里要說明的一點是，RFM模型不是互聯(lián)網(wǎng)時代的產(chǎn)物，事實上在傳統(tǒng)行業(yè)里也用的很廣，所以其指標主要針對的是付費用戶。 如果我們的互聯(lián)網(wǎng)產(chǎn)品用戶人群是免費用戶，一樣可以用這個RFM模型并使用它的方法 ，只是指標換成了 最后一次登錄、登錄頻率、產(chǎn)品使用時間。

接下來我們就用實例來操作一遍：

我們現(xiàn)在手上有500份付費用戶數(shù)據(jù)，包含（用戶、最后一次消費時間間隔、消費頻率、消費金額）四個字段，我們?nèi)绾芜M行用戶分層并制定有效運營策略呢？

第一步：我們把數(shù)據(jù)導(dǎo)入或粘貼到Excel當中，再原有的4個表頭基礎(chǔ)上，再增加R值、F值、M值三個表頭。做好這樣一張Excel表，如下圖：

（此處只選10條數(shù)據(jù)做實例）

第二步：分別確定好RFM這三個指標五檔的標準。

這是比較難的一步，因為不同的行業(yè)不同的產(chǎn)品不同的階段都有不同的劃分標準。比如消費金額，1000個用戶里面，最低1元，最高10000元。大部分情況下，20%的用戶占據(jù)了80%的金額，而80%的用戶占了20%的金額，是一個長尾的分布效果。所以我們不能簡單的用最高金額/5，或者用戶總數(shù)/5的平均分法，這樣分出來的結(jié)果不能代表一個擁有類似行為表現(xiàn)的群體。

這個主要還是依靠大家在本身各自行業(yè)中的理解和實際場景需求來確定了。 當然，如果我們實在沒有什么頭緒的話，我們可以 通過散點圖大致分辨一下 ，如下圖：

大家可以看到，通過散點圖，我們可以比較直觀的看清用戶的分布（上圖為用戶的消費金額分布）。 我們?nèi)シ謾n的時候就盡可能的將密集的一部分分在一起，這樣，該檔用戶群體的行為共性也就更大一點。

需要說明的是，這不是一個很嚴謹?shù)姆址?，需要大家在實際過程中進行不斷的調(diào)整。而如果我們面臨海量數(shù)據(jù)的時候，最好是通過聚類算法等技術(shù)手段，才能更加科學精準的幫助我們進行判斷。

以本例來說，我們最后定下了RFM各個指標下的五個分檔標準。如圖：

第三步：分別計算出每條記錄的R、F、M值。

我們通過在Excel里面加入if判斷，自動計算出該記錄對應(yīng)的R、F、M值，比如我們RFM分層表中，0001用戶對應(yīng)的R值，

即單元格E3：=IF(B3>10,1,IF(B3>8,2,IF(B3>5,3, IF(B3>3,4,5))))

我們來解釋一下這條if判斷語句：

同樣的算法，我們寫出計算每一條記錄F值和M值的判斷條件。

然后，我們把Excel的單元格往下拉，最后形成這樣的圖：

第四步：分別算出總的R、F、M的平均值。

這一步比較簡單，我們以上全部算完之后，再最下面增加一行，用AVERAGE（）計算出以上所有行數(shù)的平均值。如圖：

第五步：根據(jù)每條記錄的R、F、M值和所有記錄的平均值，判斷出每條記錄的R、F、M值是在平均值之上，還是平均值之下。

首選，我們先增加三個表頭，如圖：

然后，我們用每一條記錄的R值來R的平均值進行比較，如果<平均值則顯示“低”，如果大于等于則顯示“高”。

我們還是用If判斷語句進行自動判斷，以上圖為例，用戶0001的“R高低值”即：

這樣，我們就變成了下圖：

這個時候，我們發(fā)現(xiàn)了一個問題，當我們把單元格往下拉的時候，E3固然變成了E4，但E13也變成了E14，由于E13是一個固定格子的數(shù)字，我們不希望它隨著單元格的下拉而改變。我們就需要在if語句中在E13兩邊加上“$”這個符號了。

如下：

同時，為了更直觀，我們設(shè)置一個條件格式，若文本中含有“高”則背景色為紅色，若含有“低”則背景色為綠色。這時候再往下拖一下單元格，就變成這樣拉，如圖：

第六步：根據(jù)比較值，進行八大類的歸類。

接下來，我們就要根據(jù)我們的“R高低值”“F高低值”“M高低值”，自動計算出我們的用戶層級拉。我們先加個表頭“用戶層級”。

這一次，我們要寫一串稍微長一點的IF判斷語句，如下：

本文所寫的都是在Excel里面的IF判斷語句，建議大家能夠自己寫一下，不想寫或?qū)懖怀鲆矝]關(guān)系，直接保存好上面的if語句Copy一下直接用就行了（修改一下單元格的序號就可以了）。

最后，如下圖：

當然，我們還可以在用戶層級的表頭上加上“篩選”功能，可以直接搜索到我們需要的那些用戶。大家也可以通過不同的顏色來區(qū)分不同的用戶層級，這個就自由發(fā)揮拉。

好了，到這里，我們就已經(jīng)通過用一張Excel表，完成了一次用戶分層的全過程。 這張表最后的效果是，就像一個程序一樣，我們?nèi)我廨斎肴齻€RFM數(shù)字，表格將自動會跳出這個用戶的層級。 大家保存好這張excel表，以后用起來套一下就可以了，效率是相當快的。大家可以嘗試自己從頭做一遍，若有需要的話可在留言區(qū)留下郵箱，我會發(fā)送給大家。

完成后上面六步之后，我們已經(jīng)得到了完成用戶分層之后的所有用戶記錄，這時我們需要做成圖表的形式，開個會、做個匯報啥的，如下圖：

回到我們上面說的，做用戶分層的目的是為了有的放矢的制定出更精準、更有針對性的運營策略。所以，我們最終我們還是回到制定運營策略上來。我們的例子可參考下圖：

再接下來要如何具體實施和執(zhí)行，就不在本篇文章的范疇里了。

用戶分層是運營過程中非常重要的一個環(huán)節(jié)，快速的進行用戶分層也是我們必備的一個方法。我們把用戶分的層，其實用戶本身是不知道的。如果我們分一個層級讓用戶知道，不僅知道而且還非常喜歡，以此來不斷引導(dǎo)用戶進行自我層級的上升。

以上就是關(guān)于rfm用戶分析模型相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。