RFM模型(一)

2022年 12月 24日11:00:26 发表评论

  做用户增长就是做2件事情,一是增加用户数量,二是提高用户质量。而提高用户质量的过程就是提升用户价值的过程。

  提升用户价值也只是做2件事情,一是提高用户活跃度,二是提升用户付费金额。

(1)更高的活跃度意味着更高的留存,进而有利于提升用户的全生命周期价值(LTV),对于不直接向用户收费的产品而言,更高的活跃度意味着更高的广告价值,比如头条。

(2)用户付费金额 = 消费频次 X 单次消费金额。很显然,消费频次增强或者单次消费金额提高都能够提升用户付费金额。

  所以,用户的活跃情况、消费频次和消费金额都和提升用户价值有关。

RFM广泛应用在电商行业。我们自己脑补下最近30天在淘宝或者京东的消费情况:

  • 昨天刚下完单,那R就是1。一周前下了单,那R就是7,以此类推;
  • 30天内一共下单了5次,F就是5;
  • 30天内一共消费了500元,M就是500;

 

含义:

(1)RFM模型根据客户活跃程度和交易金额的贡献,能够衡量客户价值和客户利润创收能力。

(2)它能够识别优质客户;可以制定个性化的沟通和营销服务,为更多的营销决策提供有力支持

 R(Recency)—最近一次交易时间间隔。

 F(Frequency)——客户在最近一段时间内交易次数。

 M(Monetray)——客户最近一段时间内交易金额。

 

作用:

RFM分析的主要作用:

识别优质客户。

可以制定个性化的沟通和营销服务,为更多的营销决策提供有力支持。

能够衡量客户价值和客户利润创收能力。

       

RFM的假设前提:

       假设交易的可能性:

最近交易过的客户 > 最近没有交易过的

交易频率高的客户 > 交易频率低的

交易金额大的客户 > 交易金额小的

 

优点:

问:特征工程过程,为什么用RFM模型来构建特征变量?

特征工程包括:特征构建->特征提取->特征选择。 选择特征:用户行为特征、用户消费特征、用户画像特征

为什么RFM模型:因为我们没有太多的用户行为数据,能用的数据比较有限。但是有一定的成交数据。只要有成交数据,就能进行RFM的分析。其次,模型的分层可解释性强。其他很多算法模型、机器学习模型,往往通过聚类进行用户的分层,对于业务来讲,不是很好解释。但RFM模型分成的用户类别,是非常好理解的。

 

 

分类:

RFM分析应用为客户分组,即将三个指标分别分为“高”和“低”两种。RFM模型按照最近一次消费时间、指定时间内的消费次数和指定时间内的消费金额将用户分为8类。

 

 RFM模型(一)

 

看右上角红圈部分,只要消费金额高的就是重要用户。相反,消费金额低的就是一般用户,

 

 

RFM在不同类型产品的应用

 

  按照用户需求划分,我们可将互联网产品分为电商类、社交类、内容类、工具类、平台类和游戏类。当然有不少产品都往电商上靠,导致分不清楚。

  我们就把握2个原则,一是产品的主营业务,二是自己负责模块的主要业务。这和在《实战:解决增长黑客一看就懂,一用就懵的困惑》介绍的制定北极星指标的思路一致,产品有产品的指标,每个团队也可以有各自的指标,都是为了公司的商业模式服务的。

 

(1)电商类

 

我们熟知的淘宝、京东和拼多多,都属于电商。按照用户的购物金额来分层。

 

(2)社交类

 

微信和微博都属于社交类。按照互动数来分层。

 

(3)内容类

 

包括头条、知乎、抖音和快手等,都属于内容类。按照用户阅读/观看时长来分层。

 

(4)工具类

 

包括有道云笔记、证券类APP、墨迹天气等都属于工具类。

 

工具类比较特殊,每一个工具都有自身商业模式,关注的重点也会不同。

 

云笔记可能按照付费会员来划分,但会比较低频。可以考虑按照最近一次使用时间、指定时间内的使用次数和指定时间内的文件共享次数来分层。

 

(5)平台类

 

同时存在供给和消费2方的才称之为平台。

 

比如滴滴,滴滴的供给者是滴滴司机,消费者是普通打车用户。

 

从这个角度划分,淘宝是电商也是平台,有商家和普通消费者。

 

平台需要同时关注供给方和消费方。而RFM模型更多的应用于消费方,滴滴和淘宝都是按照消费金额来分层。

 

(6)游戏类

 

游戏类的盈利模式主要有内消费和广告。

 

大点的游戏主要靠用户内部购买道具、点卡消费,这时就按照用户的消费金额来分层。

 

小点的单机版游戏主要靠广告,这时就按照用户的广告观看/点击来分层。

 

通过前面描述我们知道,可以通过不同的行为来描述RFM,主要是找到产品中衡量用户价值的关键行为,并进行交叉分析和评估。

 

 

RFM模型的评估

 

通过RFM的“高低”来对用户进行归类,那怎么定义“高低”呢?

 

 

最直接的打分方法就是和平均数作比较,分别求出目标数据的R、F和M的平均值,然后用每个用户的数据和平均值来比较,然后确定高低。

 

我们仍以自己30天内在淘宝购物的记录为例,R=7,F=5,M=500。假设30天内淘宝用户的平均R=10,F=8,M=800。那你的打分结果为:

 

  • R值:高。低于平均R值的记录打分为高,因为记录的R值越低说明最近一次的消费时间越短,用户的回购周期越短。
  • F值:低。低于平均F值的记录打分为低,高于平均F值的记录打分为高。
  • M值:低。低于平均M值的记录打分为低,高于平均M值的记录打分为高。

 

我们自己消费的最终打分结果为“高低低”,对照第二节中的8类用户属于“一般发展用户”,电商就可以使用针对这类用户的运营策略来提升价值。

 

 

 

所以对于产品较为成熟、用户规模较大的情况可以采用等级评估。简单的做法就是使用透视表查看目标记录R、F和M各自的分布,然后指定等级。

 

一般分为5个等级,对应的分值为1~5分。

 

还是以30天内的淘宝购物为例,对RFM的等级划分如下:

 

 

对照自己30天内购物的记录(R=7,F=5,M=500),可以确定按照等级划分后的R’=4,F’=3,M’=3。

将所有用户的记录按照等级打分后再计算所有用户的平均(Average)R值、F值和M值,假设AR=3.8,AF=2.9,AM=4.1。

用自己按照等级划分后的值与平均值进行比较,确定最后的RFM值:

  • R值:高(R’ > AR)
  • F值:高(F’ > AF)
  • M值:低(M’ < AM)

我们自己消费的最终打分结果为“高高低”,对照第二节中的8类用户,用户价值变更为“一般价值用户”。

从主观上看一个用户30天内消费500元还不错,但通过模型划分可以很明显地知道该用户还有提升的空间。

比如,30天累计消费500元的用户买的都是衣服,客单价不高,有没有可能引导用户消费电子产品呢?

 

 

精细化运营策略

 

对用户价值进行评定的目的是为了进一步提高用户价值,对不同分类的用户提升用户价值的策略手段也略有不同。

 

“三高”的重要价值用户:大方向上就是让用户安静地待着,不要过多的打扰。在重要的时间点上增加人文关怀、节日关怀等,能够发展为KOC(“Key Opinion Consumer”,即关键意见消费者)最佳。

 

  • 重要发展用户:消费频率低,整体策略就是提升消费频次。所有能够提升消费频次的手段都可以尝试。手段包括发券、新品推荐等,触达方式包括短信、Push、邮件等。
  • 重要保持用户:有段时间没有使用产品了,但是之前的消费频次和消费金额都是高的,用户存在流失可能。整体策略是用户回流,让用户再来光顾。手段包括热门推荐、爆品推荐、运营活动等。还需重点关注竞品动态,是不是最近用户到竞品消费去了。
  • 重要挽留用户:最近没有使用产品了,而且累计的消费频次也低。这类用户存在很大的流失可能,需要重点召回。可以给用户提供最优价格(惊喜优惠)、邀请用户填写反馈信息并采取措施(我们一定会做的更好)或者提供个性化服务(让用户觉得他非常重要)。

 

一般价值用户:策略就是刺激消费,提高客单价。文中案例就是将衣服消费人群想办法引导到电子消费上。

 

一般发展用户:偶尔消费一次,要针对最近消费的产品进行联想和挖掘,期望能够提高用户的消费频次和金额。

 

一般保持用户:曾经消费的频次挺高,最近也不消费了而且总的消费金额也低,基本上处于流失状态。

 

 

一般挽留用户:通过以上手段,用户还是处于“三低”状态,可暂时搁置,把有限的资源投入到更有价值的人群上。

 

参考:

 

 

 

 

本网页由互联网用户所发,如若侵权请及时联系1936370309@qq.com删除。

原文链接:https://www.cnblogs.com/djbwxh/p/16519015.html

  • 版权声明:内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,请发送邮件至 1936370309@qq.com 举报,一经查实,本站将立刻删除。
  • 转载请注明:RFM模型(一) 紫林博客

发表评论

您必须才能发表评论!