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

 

1

         

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

 

 

 

根据美国数据库营销研究所Arthur Hughes的研究,客户数据库中有3个神奇的要素,这3个要素构成了数据分析最好的指标:
最近一次消费 (Recency)
消费频率 (Frequency)
消费金额 (Monetary)
(编号次序RFM,1代表高,0代表低)
重要价值客户(111):最近消费时间近、消费频次和消费金额都很高,必须是VIP
重要保持客户(011):最近消费时间较远,但消费频次和金额都很高,说明这是个一段时间没来的忠诚客户,我们需要主动和他保持联系。
重要发展客户(101):最近消费时间较近、消费金额高,但频次不高,忠诚度不高,很有潜力的用户,必须重点发展。
重要挽留客户(001):最近消费时间较远、消费频次不高,但消费金额高的用户,可能是将要流失或者已经要流失的用户,应当给予挽留措施。
 
 
建立RFM模型,帮助用户分群:
第一步:先挑出来近1个月的复购用户。
第二步:近1个月内复购用户的平均实付金额做纵轴。
第三步:近1个月内复购用户的购买次做横轴,生成表格。
第四步,你需要自己在这个表格上划红线。
FRM分析
横着的红线,代表着你认为来吃饭的客人平均每餐该花多少钱,我这里设定的值是25元,叫外卖25都没付到,对我而言是低消费金额(低M)用户。
竖着的红线,代表着你认为复购多少次的客人,是你的高频用户。外卖点餐流动率很大,一个用户每个月能在一家店点三次以上的菜,对我而言即是高频。
这个RFM模型在实操时有什么用呢,举个例子:
比如对圈用户群发短信转化只有不到1%时,你可以用RFM做个分析,只选取R值高的用户(最近2周到最近一个月内消费的用户),转化率可以由1%提升到10%。
这也意味着,以往6元/订单将下降到0.6元/订单。掌柜们是愿意花600元给10000个用户发短信,得到100个订单,还是愿意花48元给800人发短信得到80个订单,相信大家一定会选后者。
而整体的RFM区分,则能够帮掌柜们针对不同的用户发不同的短信,短信的开头是用“好久不见”、还是用“恭喜你成为VIP”,就得看是重要保持客户还是重要价值用户了。只有能区分用户,才能走向精细化运营。
 

 

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。

 

 

 

 

 

 

 

posted @   papering  阅读(29)  评论(0编辑  收藏  举报
点击右上角即可分享
微信分享提示