RFM模型
如何使用RFM分析来分析用户的RFM指标_智能用户增长(Quick Audience)-阿里云帮助中心 https://help.aliyun.com/document_detail/420481.html
RFM用户类型 |
RS |
FS |
MS |
说明 |
高价值用户 |
大于等于RS对比值 |
大于等于FS对比值 |
大于等于MS对比值 |
将最近消费日期较近、消费频次较高、消费金额较高的用户定义为高价值用户。 |
重点保持用户 |
小于RS对比值 |
大于等于FS对比值 |
大于等于MS对比值 |
将最近消费日期较远,但是消费频次和消费金额较高的用户定义为重点保持用户。 |
重点发展用户 |
大于等于RS对比值 |
小于FS对比值 |
大于等于MS对比值 |
将最近消费日期较近,消费金额较高,但是消费频次不高的用户定义为重点发展用户。 |
重点挽留用户 |
小于RS对比值 |
小于FS对比值 |
大于等于MS对比值 |
将最近消费日期较远,消费频次较低,但是消费金额较高的用户定义为重点挽留用户。 |
一般价值用户 |
大于等于RS对比值 |
大于等于FS对比值 |
小于MS对比值 |
将最近消费日期较近,消费频次较高,但是消费金额不高的用户定义为一般价值用户。 |
一般保持用户 |
小于RS对比值 |
大于等于FS对比值 |
小于MS对比值 |
将最近消费日期较远,消费金额不高,但是消费频次较高的用户定义为一般保持用户。 |
一般发展用户 |
大于等于RS对比值 |
小于FS对比值 |
小于MS对比值 |
将最近消费日期较近,但是消费频次和消费金额不高的用户定义为一般发展用户。 |
潜在用户 |
小于RS对比值 |
小于FS对比值 |
小于MS对比值 |
将最近消费日期较远、消费频次不高、消费金额不高的用户定义为潜在用户。 |
https://wiki.mbalib.com/wiki/RFM模型
https://baike.baidu.com/item/RFM模型/7070365
数据分析方法:RFM模型 | 人人都是产品经理 https://www.woshipm.com/data-analysis/4194147.html
二、RFM的最大短板
RFM最大的短板,在于用户ID统一认证;不要小看这几个字,在相当多的企业里非常难实现。
比如你去超市、连锁店、门店买东西,往往收银小妹会机械的问一句:有会员卡吗?如果回答没有,她也放你过去了;导致的结果,是线下门店的订单,一般有70%-90%无法关联到用户ID;进而导致整个用户数据是严重缺失的,直接套RFM很容易误判用户行为。
至于用户一人多张会员卡轮流薅羊毛,多个用户共同一张VIP卡拿最大折扣,店员自己用亲戚的卡把无ID订单的羊毛给薅了之类的事,更是层出不穷;而且在实体企业、互联网企业都普遍存在。
所以做RFM模型的时候,如果你真看到111类用户,别高兴太早,十有八九是有问题的;现在的企业往往在天猫、京东、自有微商城、有赞等几个平台同时运作,更加大了统一认证的难度;如果没有规划好,很容易陷入无穷无尽的补贴大坑。
三、RFM的深层问题
即使做好了用户ID统一认证,RFM还有一个更深层的问题。
让我们回顾一下,RFM模型的三个基本假设:
- R:用户离得越久就越有流失风险
- F:用户频次越高越忠诚
- M:用户买的越多越有价值
反问一句:这三个假设成立吗?
如果不结合具体行业、具体产品、具体活动来看,似乎是成立的;但是一旦具体讨论就会发现:很多场景不满足这三个假设;因此:单纯讲RFM,不结合产品、活动,是很容易出BUG的。
R:用户离得越久就越有流失风险
- 如果是服装这种季节性消费,用户间隔2-3个月是很正常;
- 如果是手机、平板这种新品驱动产品,间隔时间基本跟着产品更新周期走;
- 如果是家居、住房、汽车这种大件耐用品,R就没啥意义,用户一辈子就买2次;
- 如果是预付费,后刷卡的模式,R就不存在了,需要用核销数据代替。
所以R不见得就代表着用户有流失风险,特别是现在有了埋点数据以后,用户互动行为更能说明问题。
F:用户频次越高越忠诚
- 如果用户消费是事件驱动的,比如赛事、节假日、生日、周末;
- 如果用户消费是活动驱动的,比如啥时候有优惠啥时候买;
- 如果用户消费是固定模式的,比如买药的用量就是30天。
以上情况都会导致F的数值不固定,可能是随机产生的,也可能是人为操纵的。
很多企业僵硬地执行RFM模型,往往会定一个固定的F值,比如促使用户买4次,因为数据上看买了4次以上的用户就很忠诚;结果就是引发用户人为拆单,最后F值做上去了,利润掉下来了。
M: 用户买的越多越有价值
- 如果用户是图便宜,趁有折扣的时候囤货呢?
- 如果用户买了一堆,已经吃腻了、用够了呢?
- 如果用户买的是耐用品,买完这一单就等十几二十年呢?
- 如果用户消费本身有生命周期,比如母婴,游戏,已经到了生命周期末尾呢?
很多情况下,用户过去买的多,不代表未来买的多,这两者不划等号;因此真看到011、001、101的客人,别急着派券,整明白到底出了啥问题才是关键。
除了单独维度的问题外,三个维度连起来看,也容易出问题;因为很多公司的用户结构不是金字塔形,而是埃菲尔铁塔型——底部聚集了太多的不活跃用户,且不活跃用户大多只有1单,或者只有几次登录便流失;因此RFM真按八分类化出来,可能000的用户比例特别多。
这意味着现有存活的用户,可能是幸存者偏差的结果,现有的111不是000的未来;要更深层次地分析为啥会沉淀大量不活跃用户,甚至从根上改变流程,才能解决问题;真按照RFM生搬硬套。可能就把业务带到死胡同里了。