正文

rfm用戶分析模型（用戶模型rfm的例子）

發(fā)布時(shí)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(lái)大家介紹下關(guān)于rfm用戶分析模型的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

開(kāi)始之前先推薦一個(gè)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(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)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(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)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(qǐng)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(xì)化運(yùn)營(yíng)的作用？
2、RFM模型如何實(shí)際應(yīng)用？
3、評(píng)估客戶價(jià)值的三種模型：RFM、CLV、顧客社交價(jià)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(xì)化運(yùn)營(yíng)的作用？

舉一個(gè)互聯(lián)網(wǎng)餐飲的例子~來(lái)證明如何分析RFM模型：

如何通過(guò)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(guò)對(duì)于訂餐地址的統(tǒng)計(jì)，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(gòu)構(gòu)成、復(fù)購(gòu)用戶跨平臺(tái)使用情況、性別組成做更精細(xì)化的分析。值得注意的是，數(shù)據(jù)平臺(tái)間的差異還是蠻大的，有利于針對(duì)不同平臺(tái)做出不同的營(yíng)銷策略。

上面這些最基本的用戶屬性對(duì)于精細(xì)化運(yùn)營(yíng)還是不夠的。因?yàn)檫@些信息無(wú)法幫助你解決下面四個(gè)問(wèn)題——

1.誰(shuí)是我的重要價(jià)值客戶，他們都有什么特點(diǎn)？

2.誰(shuí)是我需要重點(diǎn)保持聯(lián)系的客戶，他們都有什么特點(diǎn)？

3.誰(shuí)是我的重要發(fā)展客戶，他們都有什么特點(diǎn)？

4.誰(shuí)是我的重要挽留客戶，他們都有什么特點(diǎn)？

2.如何通過(guò)RFM模型，為用戶分群，實(shí)現(xiàn)精細(xì)化運(yùn)營(yíng)

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

R = Recency 最近一次消費(fèi)

F = Frequency 消費(fèi)頻率

M = Monetary 消費(fèi)金額

需要詳細(xì)了解以上三個(gè)指標(biāo)定義的，百度會(huì)將維度再細(xì)分出5份，這樣就能夠細(xì)分出5x5x5=125類用戶，再根據(jù)每類用戶精準(zhǔn)營(yíng)銷……顯然125類用戶已超出普通人腦的計(jì)算范疇了，更別說(shuō)針對(duì)125類用戶量體定制營(yíng)銷策略。實(shí)際運(yùn)用上，我們只需要把每個(gè)唯獨(dú)做一次兩分即可，這樣在3個(gè)維度上我們依然得到了8組用戶。

重要價(jià)值客戶（111）：最近消費(fèi)時(shí)間近、消費(fèi)頻次和消費(fèi)金額都很高，必須是VIP?。?/p>

重要保持客戶（011）：最近消費(fèi)時(shí)間較遠(yuǎn)，但消費(fèi)頻次和金額都很高，說(shuō)明這是個(gè)一段時(shí)間沒(méi)來(lái)的忠實(shí)客戶，我們需要主動(dòng)和他保持聯(lián)系。

重要發(fā)展客戶（101）：最近消費(fèi)時(shí)間較近、消費(fèi)金額高，但頻次不高，忠誠(chéng)度不高，很有潛力的用戶，必須重點(diǎn)發(fā)展。

重要挽留客戶（001）：最近消費(fèi)時(shí)間較遠(yuǎn)、消費(fèi)頻次不高，但消費(fèi)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(dāng)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(gè)人版上建立RFM模型，幫助用戶分群

這時(shí)候可能會(huì)有朋友問(wèn)了，天啦，你這個(gè)三維模型，我沒(méi)辦法用BDP來(lái)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(lái)（即在近30天有復(fù)購(gòu)的用戶中做分析），壓扁了就會(huì)看到。

上方的表示或許還是太學(xué)術(shù)了，簡(jiǎn)單的說(shuō)

第一步：先挑出來(lái)近1個(gè)月的復(fù)購(gòu)用戶。

第二步：近1個(gè)月內(nèi)復(fù)購(gòu)用戶的平均實(shí)付金額做縱軸。

第三步：近1個(gè)月內(nèi)復(fù)購(gòu)用戶的購(gòu)買次做橫軸，生成表格。

第四步，你需要自己在這個(gè)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(rèn)為來(lái)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(méi)付到，對(duì)我而言是低消費(fèi)金額（低M）用戶。

豎著的紅線，代表著你認(rèn)為復(fù)購(gòu)多少次的客人，是你的高頻用戶。外賣點(diǎn)餐流動(dòng)率很大，一個(gè)用戶每個(gè)月能在一家店點(diǎn)三次以上的菜，對(duì)我而言即是高頻。

這樣，BDP個(gè)人版上的RFM模型就建立好了。這個(gè)RFM模型在實(shí)操時(shí)有什么用呢？舉個(gè)例子

比如對(duì)圈用戶群發(fā)短信轉(zhuǎn)化只有不到1%時(shí)，你可以用RFM做個(gè)分析，只選取R值高的用戶(最近2周到最近一個(gè)月內(nèi)消費(fèi)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(gè)用戶發(fā)短信，得到100個(gè)訂單，還是愿意花48元給800人發(fā)短信得到80個(gè)訂單，相信大家一定會(huì)選后者。

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

二、RFM模型如何實(shí)際應(yīng)用？

這是一個(gè)人人都可以上手的模型，不管你是運(yùn)營(yíng)、銷售、財(cái)務(wù)、市場(chǎng)等等，RFM模型是一個(gè)很通用，又有一套科學(xué)理論的商業(yè)模型。這是一篇我花了五小時(shí)的教程（真的是寫到崩潰，幸好我熬下來(lái)了，給大家分享實(shí)實(shí)在在可上手的干貨）數(shù)據(jù)源準(zhǔn)備只需四個(gè)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(gè)模型吧。下面三頁(yè)是介紹什么是RFM，后面是全部的實(shí)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(guò)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(guò)對(duì)于訂餐地址的統(tǒng)計(jì)，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(gè)簡(jiǎn)單的例子，下圖表示的是普通可樂(lè)和健怡可樂(lè)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(gòu)構(gòu)成、復(fù)購(gòu)用戶跨平臺(tái)使用情況、性別組成做更精細(xì)化的分析。值得注意的是，數(shù)據(jù)平臺(tái)間的差異還是蠻大的，除了跨平臺(tái)分析也需要分平臺(tái)對(duì)比，有利于針對(duì)不同平臺(tái)做出不同的營(yíng)銷策略。上面這些最基本的用戶屬性對(duì)于精細(xì)化運(yùn)營(yíng)還是不夠的。因?yàn)檫@些信息無(wú)法幫助你解決下面四個(gè)問(wèn)題——

1.誰(shuí)是我的重要價(jià)值客戶，他們都有什么特點(diǎn)。

2.誰(shuí)是我需要重點(diǎn)保持聯(lián)系的客戶，他們都有什么特點(diǎn)。

3.誰(shuí)是我的重要發(fā)展客戶，他們都有什么特點(diǎn)。

4.誰(shuí)是我的重要挽留客戶，他們都有什么特點(diǎn)。想要解答這個(gè)問(wèn)題，我們需要?jiǎng)佑酶唠A的分析模型，去挖掘有效信息。如何通過(guò)RFM模型，為用戶分群，實(shí)現(xiàn)精細(xì)化運(yùn)營(yíng)RFM模型是一個(gè)被廣泛使用的客戶關(guān)系分析模型，主要以用戶行為來(lái)區(qū)分客戶，RFM分別是：R = Recency最近一次消費(fèi)F = Frequency 消費(fèi)頻率M = Monetary 消費(fèi)金額需要詳細(xì)了解以上三個(gè)指標(biāo)定義的，可以去戳度娘，教科書式的RFM區(qū)分，會(huì)將維度再細(xì)分出5份，這樣就能夠細(xì)分出5x5x5=125類用戶，再根據(jù)每類用戶精準(zhǔn)營(yíng)銷。

rfm用戶分析模型（用戶模型rfm的例子）

三、評(píng)估客戶價(jià)值的三種模型：RFM、CLV、顧客社交價(jià)值模型

筆者一直從事于用戶運(yùn)營(yíng)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(dòng)效益，如何挖掘能創(chuàng)造最大價(jià)值的客戶就是用戶運(yùn)營(yíng)的最基礎(chǔ)工作了。這個(gè)和基于用戶價(jià)值的細(xì)分模型基本上是一個(gè)意思，注意本文討論的用戶價(jià)值指的是用戶對(duì)企業(yè)創(chuàng)利能力的衡量，而不是傳統(tǒng)營(yíng)銷學(xué)理論中企業(yè)為客戶提供的價(jià)值。

本文我們會(huì)來(lái)談?wù)劤Ｓ玫膸讉€(gè)衡量客戶價(jià)值的模型，以及它們的區(qū)別和應(yīng)用場(chǎng)景。

提到如何衡量客戶價(jià)值，RFM基本上是頭腦中第一個(gè)想到的模型，也是大部分運(yùn)營(yíng)人員都會(huì)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(gè)非常重要的指標(biāo)：

這三個(gè)指標(biāo)非常有意思，我們可以從中將用戶的活躍度，忠誠(chéng)度和消費(fèi)能力評(píng)估出來(lái)，如下圖：

按照案例中的情況，我們分別將R\F\M三個(gè)值都再細(xì)分成了4個(gè)等級(jí)，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(jià)值是否不同，是否要區(qū)分維護(hù)？

在下面的表格里，我會(huì)列舉當(dāng)中一些具有明顯特征的用戶價(jià)值細(xì)分，大家可以好好體會(huì)一下：

最后以一個(gè)問(wèn)題，結(jié)束對(duì)RFM的探討，大家認(rèn)為040與004，哪個(gè)價(jià)值更大些呢？

我們知道并不是所有的顧客都具備相同的價(jià)值，如果企業(yè)能夠?qū)Ｗ⒂谀切┛梢詭?lái)最大未來(lái)利益的客戶，就可以實(shí)現(xiàn)更好的運(yùn)營(yíng)。所以企業(yè)必須識(shí)別出這些客戶，CLV是對(duì)客戶未來(lái)利潤(rùn)的有效預(yù)測(cè)，它還有另外一個(gè)名字，叫做LTV （life time value)。

實(shí)際上這個(gè)模型在中小企業(yè)的具體運(yùn)營(yíng)中應(yīng)用到的不多，更多是在做年度規(guī)劃，年度財(cái)務(wù)核算，或者企業(yè)戰(zhàn)略中會(huì)較為常見(jiàn)的使用，以站在企業(yè)的戰(zhàn)略層面去考慮顧客價(jià)值與投入之間的關(guān)系。

這里需要特別說(shuō)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(jì)算的不只是眼前顧客已經(jīng)產(chǎn)生的價(jià)值，還預(yù)測(cè)了未來(lái)價(jià)值。

CLV的計(jì)算公式有非常多，有的會(huì)非常復(fù)雜，主要在流失率這個(gè)環(huán)節(jié)和影響因素就相當(dāng)多，也有會(huì)加上投入成本，價(jià)值變化率和利率變化等等。

我認(rèn)為比較實(shí)用簡(jiǎn)單的是這種：

注意此公式對(duì)群體有效，對(duì)個(gè)體精準(zhǔn)度較低，因?yàn)閭€(gè)體流失率影響因素太多，而群體流失率卻是可以統(tǒng)計(jì)的。

那對(duì)于CLV的應(yīng)用，可以從以下兩個(gè)模型來(lái)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(lái)：

最后也以一個(gè)問(wèn)題，結(jié)束對(duì)CLV的探討，大家認(rèn)為這個(gè)公式實(shí)際應(yīng)用中如何提高計(jì)算的精度呢？

（1）顧客社交活躍度模型

其實(shí)這個(gè)是我寫這篇文章的初衷，實(shí)際上在我目前的工作中，單獨(dú)用以上基于顧客消費(fèi)屬性來(lái)給顧客做價(jià)值判斷和細(xì)分已經(jīng)很少見(jiàn)了。在目前新的商業(yè)環(huán)境下，品牌與用戶不僅僅是消費(fèi)購(gòu)物，推送產(chǎn)品的關(guān)系，而更多是互動(dòng)與彼此認(rèn)知。單個(gè)用戶自帶的傳播屬性和影響力，反而收到了越來(lái)越多的重視和運(yùn)用。

用平實(shí)的語(yǔ)言來(lái)說(shuō)，顧客的價(jià)值不僅僅是她給企業(yè)直接帶來(lái)的現(xiàn)金利潤(rùn)，也應(yīng)當(dāng)考慮用戶對(duì)企業(yè)美譽(yù)度，傳播度的價(jià)值影響。

最近看到的對(duì)于顧客社交價(jià)值測(cè)算的模型還是非常有用處的，分享給大家。

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

（2）顧客影響力模型

這個(gè)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(jué)培養(yǎng)，定能起到四兩撥千斤的作用。

以上就是三種常見(jiàn)的用戶價(jià)值分析模型，那在日常運(yùn)用中，還是要化繁為簡(jiǎn)，考慮實(shí)際運(yùn)用場(chǎng)景，選擇適合的運(yùn)用模型。

這里給到大家的建議是將模型計(jì)算的結(jié)果標(biāo)簽化放在每個(gè)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(shí)際運(yùn)用中，即可靈活根據(jù)標(biāo)簽篩選人群，進(jìn)行營(yíng)銷策略。

四、用戶分層-RFM分層方法論

我們都知道，所有的運(yùn)營(yíng)工作都是圍繞著用戶展開(kāi)的。運(yùn)營(yíng)策略從某種程度來(lái)說(shuō)，就是資源對(duì)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(yùn)營(yíng)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(yùn)營(yíng)過(guò)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(gè)層次和群體，然后我們根據(jù)各個(gè)層次和群體的不同，才能有的放矢的制定出更精準(zhǔn)、更有針對(duì)性的運(yùn)營(yíng)策略。

我們?cè)谶\(yùn)營(yíng)工作中，經(jīng)常會(huì)聽(tīng)到“用戶畫像”、“用戶分層”、“用戶分群”這幾個(gè)詞，貌似有些類似特別是后面兩個(gè)，但如果嚴(yán)格說(shuō)的話，還是有區(qū)別的。

本篇準(zhǔn)確地說(shuō)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(huì)通過(guò)一個(gè)實(shí)例，用一張Excel表作為工具，從零開(kāi)始一步一步的完成一次用戶分層過(guò)程。

關(guān)于用戶分層，我們需先明白以下幾點(diǎn)：

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(jī)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(duì)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(huì)有不同的變化。

比如我們區(qū)分價(jià)值用戶和一般用戶，

初期我們產(chǎn)品少，一個(gè)月買2次化200元錢可能就是我們的價(jià)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(gè)月買10次化5000元才有能算是我們的價(jià)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(duì)用戶有一個(gè)定性的過(guò)程，如價(jià)值用戶、一般用戶，或者VIP，超級(jí)VIP等等；然后必須要對(duì)此進(jìn)行定量，比如消費(fèi)多少金額才能算價(jià)值用戶。

那么如何用科學(xué)化的手段進(jìn)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(guò)程，就必須要說(shuō)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(shí)這里就不闡述了，簡(jiǎn)單的說(shuō)就是通過(guò) 最近一次消費(fèi)(Recency)、消費(fèi)頻率(Frequency)、消費(fèi)金額(Monetary)這三個(gè)指標(biāo) ，然后把每個(gè)指標(biāo)按照實(shí)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(yùn)營(yíng)策略。

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

接下來(lái)我們就用實(shí)例來(lái)操作一遍：

我們現(xiàn)在手上有500份付費(fèi)用戶數(shù)據(jù)，包含（用戶、最后一次消費(fèi)時(shí)間間隔、消費(fèi)頻率、消費(fèi)金額）四個(gè)字段，我們?nèi)绾芜M(jìn)行用戶分層并制定有效運(yùn)營(yíng)策略呢？

第一步：我們把數(shù)據(jù)導(dǎo)入或粘貼到Excel當(dāng)中，再原有的4個(gè)表頭基礎(chǔ)上，再增加R值、F值、M值三個(gè)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(shí)例）

第二步：分別確定好RFM這三個(gè)指標(biāo)五檔的標(biāo)準(zhǔn)。

這是比較難的一步，因?yàn)椴煌男袠I(yè)不同的產(chǎn)品不同的階段都有不同的劃分標(biāo)準(zhǔn)。比如消費(fèi)金額，1000個(gè)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(gè)長(zhǎng)尾的分布效果。所以我們不能簡(jiǎn)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(lái)的結(jié)果不能代表一個(gè)擁有類似行為表現(xiàn)的群體。

這個(gè)主要還是依靠大家在本身各自行業(yè)中的理解和實(shí)際場(chǎng)景需求來(lái)確定了。 當(dāng)然，如果我們實(shí)在沒(méi)有什么頭緒的話，我們可以 通過(guò)散點(diǎn)圖大致分辨一下 ，如下圖：

大家可以看到，通過(guò)散點(diǎn)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(fèi)金額分布）。 我們?nèi)シ謾n的時(shí)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(diǎn)。

需要說(shuō)明的是，這不是一個(gè)很嚴(yán)謹(jǐn)?shù)姆址?，需要大家在?shí)際過(guò)程中進(jìn)行不斷的調(diào)整。而如果我們面臨海量數(shù)據(jù)的時(shí)候，最好是通過(guò)聚類算法等技術(shù)手段，才能更加科學(xué)精準(zhǔn)的幫助我們進(jìn)行判斷。

以本例來(lái)說(shuō)，我們最后定下了RFM各個(gè)指標(biāo)下的五個(gè)分檔標(biāo)準(zhǔn)。如圖：

第三步：分別計(jì)算出每條記錄的R、F、M值。

我們通過(guò)在Excel里面加入if判斷，自動(dòng)計(jì)算出該記錄對(duì)應(yīng)的R、F、M值，比如我們RFM分層表中，0001用戶對(duì)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(lái)解釋一下這條if判斷語(yǔ)句：

同樣的算法，我們寫出計(jì)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(jiǎn)單，我們以上全部算完之后，再最下面增加一行，用AVERAGE（）計(jì)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(gè)表頭，如圖：

然后，我們用每一條記錄的R值來(lái)R的平均值進(jìn)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(yǔ)句進(jìn)行自動(dòng)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(gè)時(shí)候，我們發(fā)現(xiàn)了一個(gè)問(wèn)題，當(dāng)我們把單元格往下拉的時(shí)候，E3固然變成了E4，但E13也變成了E14，由于E13是一個(gè)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(yǔ)句中在E13兩邊加上“$”這個(gè)符號(hào)了。

如下：

同時(shí)，為了更直觀，我們?cè)O(shè)置一個(gè)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(shí)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(jìn)行八大類的歸類。

接下來(lái)，我們就要根據(jù)我們的“R高低值”“F高低值”“M高低值”，自動(dòng)計(jì)算出我們的用戶層級(jí)拉。我們先加個(gè)表頭“用戶層級(jí)”。

這一次，我們要寫一串稍微長(zhǎng)一點(diǎn)的IF判斷語(yǔ)句，如下：

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

最后，如下圖：

當(dāng)然，我們還可以在用戶層級(jí)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(guò)不同的顏色來(lái)區(qū)分不同的用戶層級(jí)，這個(gè)就自由發(fā)揮拉。

好了，到這里，我們就已經(jīng)通過(guò)用一張Excel表，完成了一次用戶分層的全過(guò)程。 這張表最后的效果是，就像一個(gè)程序一樣，我們?nèi)我廨斎肴齻€(gè)RFM數(shù)字，表格將自動(dòng)會(huì)跳出這個(gè)用戶的層級(jí)。 大家保存好這張excel表，以后用起來(lái)套一下就可以了，效率是相當(dāng)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(huì)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(shí)我們需要做成圖表的形式，開(kāi)個(gè)會(huì)、做個(gè)匯報(bào)啥的，如下圖：

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

再接下來(lái)要如何具體實(shí)施和執(zhí)行，就不在本篇文章的范疇里了。

用戶分層是運(yùn)營(yíng)過(guò)程中非常重要的一個(gè)環(huán)節(jié)，快速的進(jìn)行用戶分層也是我們必備的一個(gè)方法。我們把用戶分的層，其實(shí)用戶本身是不知道的。如果我們分一個(gè)層級(jí)讓用戶知道，不僅知道而且還非常喜歡，以此來(lái)不斷引導(dǎo)用戶進(jìn)行自我層級(jí)的上升。

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