? ? ??今天跟大家分享的是一個經(jīng)常被提及，但是價(jià)值被嚴(yán)重低估的模型：RFM模型。

? ? ??一、RFM的基本思路

? ? ??RFM模型由三個基礎(chǔ)指標(biāo)組成：

? ? ??R：最近一次消費(fèi)至今的時間

? ? ??F：一定時間內(nèi)重復(fù)消費(fèi)頻率

? ? ??M：一定時間內(nèi)累計(jì)消費(fèi)金額

? ? ??RFM模型里，三個變量的含義是很具體的：

? ? ??M：消費(fèi)越多，用戶價(jià)值越高，越應(yīng)該重點(diǎn)關(guān)注。

? ? ??R：離得越遠(yuǎn)，用戶越有流失可能，越應(yīng)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(xù)性手段（積分） 來維護(hù)

? ? ??因此RFM能直接從數(shù)據(jù)推導(dǎo)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(tǒng)計(jì)好用戶數(shù)據(jù)（如下圖，僅為示例數(shù)據(jù)100條），現(xiàn)領(lǐng)導(dǎo)要求：分析分析用戶情況。要怎么分析呢？

? ? ??第一步：先看M。區(qū)分用戶價(jià)值是第一位的，先認(rèn)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(shù)據(jù)透視表，看一下每組的消費(fèi)占比。

? ? ??哇！第一組用戶就貢獻(xiàn)了40%+的消費(fèi)，前三組合起來，共30%的用戶貢獻(xiàn)額74%的消費(fèi)，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(fèi)占整體大于10%） 第四、第五組：VIP1（每組消費(fèi)占整體大于5%，小于10%） 剩下5組：VIP0（單組消費(fèi)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(fèi)門檻在哪里，比如第一組的門檻是798元/月。在運(yùn)營制定策略的時候，很有可能為了方便，找一個最近的整數(shù)。因此可以做一個手動調(diào)整，把VIP3的門店改到：一個月內(nèi)消費(fèi)800元。類似地，其他門檻也能做同樣調(diào)整。

? ? ??調(diào)整好了以后，我們已經(jīng)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(jù)業(yè)務(wù)特點(diǎn)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(shè)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(nèi)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(jīng)2周以上都沒來了，要么真的沒需求，要么已經(jīng)流失了。這樣，對VIP0的分析建議，也很清楚了：結(jié)合天氣、節(jié)假日、活動等具體場景，給小額優(yōu)惠，配合單次打車優(yōu)惠券喚醒用戶。

• 對于很高價(jià)值的：掏真金白銀，維護(hù)好關(guān)系
• 對于很低價(jià)值的：定時喚醒，撈回來一個是一個
• 對于不高不低的，則要區(qū)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(fèi)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(yōu)惠套餐，鎖定后續(xù)消費(fèi)
• 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(fèi)

? ? ??這樣的思路下，F(xiàn)就可以作為參考，從VIP1里，用F值區(qū)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(yè)務(wù)建議給到哦。

? ? ??如果只到這里就停下，那就太可惜了！因?yàn)镽FM模型價(jià)值遠(yuǎn)遠(yuǎn)不止于此。

? ? ??三、RFM的變型

? ? ??RFM的真正價(jià)值，在于：它是一種利用時間、頻次、數(shù)量關(guān)系，區(qū)分輕重度用戶的方法。在很多業(yè)務(wù)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(nèi)活躍頻次

? ? ??A（amount）：最近1周內(nèi)累計(jì)活躍時長

? ? ??這時候，RFA組合，也能清晰地區(qū)分出輕重度用戶。并且，根據(jù)RFA組合，還能找到下一步運(yùn)營思路，比如以下兩個用戶，看起來大體相似，但可以根據(jù)行為特點(diǎn)，設(shè)置不同的內(nèi)容推薦方案，激活用戶：

? ? ??四、RFM的缺點(diǎn)

? ? ??注意，RFM的缺點(diǎn)是很明顯的：它僅僅考慮了用戶的行為數(shù)量，沒有考慮用戶在干什么。比如用RFM考察用戶消費(fèi)，就少了一個關(guān)鍵內(nèi)容：用戶買的是啥。同樣的RFM數(shù)值，可能情況完全不一樣，比如：

? ? ??R：距今30天未消費(fèi)

? ? ??F：最近1個月僅1次消費(fèi)

? ? ??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(fā)現(xiàn)：

• A用戶：趁大促銷，囤了1000元洗發(fā)水、沐浴露、護(hù)發(fā)素、紙巾
• B用戶：趁大促銷，買了個1000元的空調(diào)

? ? ??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(yīng)該采用2類激活消費(fèi)的策略。因此，RFM模型可以用，但是要結(jié)合用戶消費(fèi)品類，做細(xì)化思考哦。