萌面趙先生 | 作者
人人都是產品經理 | 來源
轉自 | 愛數據原統計網
在拓展市場初期沒有思路的時候，大家都在絞盡腦汁做活動、上新品、蹭熱點、做營銷，不斷的拓展客戶、做回訪維繫客戶感情，除了少數運氣好的之外，大部分效果寥寥。真正的用戶沒有幾個，到最後都便宜了羊毛黨。不同階段、不同類型的用戶需求點不同，有的客戶圖便宜，有的客戶看新品，有的客戶重服務，大包大攬的營銷運營，最後的結果就是涼涼。
解決得分方法也很簡單，就是用戶精細化運營，通過各類運營手段提高不同類型的用戶在產品中的活躍度、留存率和付費率。而如何將用戶從一個整體拆分成特徵明顯的羣體決定了運營的成敗。這裏介紹一個最經典的用戶分羣工具就是RFM模型。RFM模型是衡量用戶價值和用戶創利能力的經典工具，依託於用戶最近一次購買時間、消費頻次以及消費金額。
在應用RFM模型時，要有用戶最基礎的交易數據，至少包含用戶ID，交易金額，交易時間三個字段。
RFM的含義：
R（Recency）最近一次消費時間：表示用戶最近一次消費距離現在的時間。消費時間越近的客戶價值越大。1年前消費過的用戶肯定沒有1周前消費過的用戶價值大。
F（Frequency）消費頻率：消費頻率是指用戶在統計週期內購買商品的次數，經常購買的用戶也就是熟客，價值肯定比偶爾來一次的客戶價值大。
M（Monetary）消費金額：消費金額是指用戶在統計週期內消費的總金額，體現了消費者爲企業創利的多少，自然是消費越多的用戶價值越大。
基於這三個維度，將每個維度分爲高低兩種情況，我們構建出了一個三維的座標系。
（來源自網絡）
通過圖表很直觀的發現，我們把客戶分爲了2的三次方也就是8個羣體。
如果某個用戶最近一次消費時間距今比較久遠，沒有再消費了，但是累計消費金額和消費頻次都很高，說明這個用戶曾經很有價值也就是RFM模型中的重要保持客戶，我們不希望他流失，所以運營人員就會專門針對這類型用戶設計召回策略，這也就是RFM模型的核心價值。
當然這裏有個默認前提：
最近有過交易行爲的客戶，二次發生交易的可能性要高於最近沒有交易行爲的客戶；
交易頻率較高的客戶比交易頻率較低的客戶，更有可能發生二次交易；
過去所有交易總金額較多的客戶，比交易總金額較少的客戶，更有可能發生二次交易。
舉例來說明：以下是模擬我近一年的消費行爲（腦海中蹦出了一年逛兩次海瀾之家…）：
假設當前統計時間爲2019年12月31日，經過簡單的統計計算可得：
R值 = 12月31日 – 11月11日 = 50；
F值 = 計數消費次數 = 4；
M值 = 1200+300+900+2000 = 4400；
這裏會遇到第一個問題：
R值最近一次消費時間表示用戶最近一次消費距離現在的時間，消費時間越近的客戶價值越大。以上方式計算出的R值越大說明當前用戶最近一次消費時間越遠用戶價值越小，而F值還有M值越大代表用戶價值越大，三組數據不在同一個描述維度，而且R值、F值、M值存在量級之間的差距，無法直觀的通過加減來衡量用戶價值。
這裏有兩種處理辦法分別是評分方式和算法。
1
評分方式
評分方式是根據三組數據各個值的特性，採用5分製爲各個數據賦予一個評分值，R值的評分機制是R值越大，評分越小。具體評分的規則可以根據經驗設定分值的給予區間，或者將數據平均分配成爲5組，對應5個分值。
在基於三組數據對應的評分值來計算評分值的平均數，大於等於平均數的數據劃到高的維度，低於平均數的數據劃到低的維度，自然將三組數據每組分別劃分爲高低兩組，交叉組合後就是我們上面說過的8種情況。然後在將三組數據對應的評分值做累加就是RFM總值了。
評分機制的優勢
計算RFM總值時解決了不同量級數據相加時影響權重不均衡的問題。由於用戶的交易行爲中R值和F值相對較小，如果三個值不處理就累加，M值直接決定了總值的量級，R值、F值對總值的影響很小，無法體現出用戶的真實價值。
同樣以剛剛的數據爲例：RFM總值 = 50+4+4400= 4454
可見M值4400直接決定了最後計算結果的量級，前面R值、F值對結果的影響基本忽略不計。採用評分制的方法後，將R、F、M值都映射到了1至5的區間之內，保證了各數據之間的可比性。
評分制的劣勢
賦值指標的設定需要資深的業務經驗，什麼樣的算高頻，什麼樣的算高額都是經驗，並且用戶的消費數據是不斷膨脹的，根據手動設定的劃分區間無法隨着數據的不斷膨脹而自動適配，所以需要根據經驗和數據反饋不斷修正。
2
算法方式
算法方式是根據數據特性將數據基於模型處理後量化用戶價值，分劃分高低維度、量化用戶價值兩步。
第一步：劃分高低維度
根據數據分佈情況將數據分爲高低兩組，這裏區分的方式一般採用四分位數（將一組數據由小到大排列並分成四等份，處於三個分割點位置的數值就是四分位數。處於正中位置的數字就叫做中位數，如果數組個數爲奇數個，則中位數爲排序後中間的一個數，如果數組個數爲偶數個，則中位數爲排序後中間兩個數的平均數。），而不是評分制的平均數。
分位數相對於平均數應用場景更廣，由於大部分數據都呈現長尾分佈，80%甚至90%以上都集中在低頻低額區間，少數的用戶提供了大部分銷售，採用平均數無法很好的體現數組的特性，長尾用戶很容易被平均，
下面舉個例子：土豪身價2個億，屌絲產品經理身價20萬，兩人平均後，平均身價1個億……
例子並不恰當，但是能看出在數據呈現長尾分佈的場景中，平均數在很多場景並不合適，而採用四分位數時，可以根據數據分佈情況，選擇中位數、四分之一位數或者四分之三位數，然後高於則劃分爲高緯度，低於則劃分爲低緯度。
這裏有一點需要注意！
由於R值的大小和用戶價值呈現反比，所以高於分位數的時候算低緯度，低於分位數時算高緯度。
第二步：量化用戶價值
首先解決R、F、M三值量級不均衡的問題，然後計算RFM總值量化用戶價值。可將三組數據分別無量綱化處理映射至0到1的區間在合理放大然後相加。很多同學一聽到算法就暈了，我挑選了這個方法中最簡單的一種，只用到了我們初中所學的數學，邏輯非常簡單，下面我爲大家介紹min-max歸一化。
min-max歸一化
先貼公式：
上式中，min是數組中的最小值，max是數組中的最大值。只要將數組中的數據依次經過上述公式處理，最後發現原數組收斂到了0至1的區間之內，是不是很簡單。
下面是我隨機生成的一組數據爲大家示例：
第一組源數據經過無量綱化處理後收斂至了0到1區間之內，可將不同量級的數據歸一化至同一量級，歸一化後的數據是一個位數極多的小數，而一般用戶對於極小數和極大數沒有直觀的感受。
所以這裏我把所有的數據同比放大了100倍，將源數據擴大到了0至100的區間，同時做了四捨五入，讓數據可讀性更強。經過這樣的處理就將數據從原來不同量級無法直觀對比，歸一化到了0至100的區間，方便大家直觀計算RFM總值。
最後計算RFM總值的公式如下：RFM總值 = R值*（-1）+F值+M值+100；
公式中同樣爲了解決R值同F、M值統計維度不一樣的問題，這裏給R值乘以了負1，同時爲了保證數據結果不會出現負數，又在最後加了100。這樣處理之後保證最後的RFM總值落在了0至400的區間之內，讓大家可以通過分值很直觀的量化用戶價值。
總之，RFM最終的目的就是幫助業務提高運營效率和產出價值，上述介紹了兩種方法，一種通過經驗人工劃分出用戶羣體，一種通過數據挖掘，給與業務運營建議。
具體的業務應用場景還是以淘氣值爲例（均爲個人猜想，如果哪裏說得不對，還請留言告知，謝謝）。
購物分：是近12個月購買金額的綜合分值。每一筆訂單、每日、每月、每一類商品、每一個店鋪，可獲得的最高可得分都不同，另外，購買更多種類的、高信譽商家的商品可以得到更多分；
獎勵分：獎勵分是近12個月內購買的商品類目數，反映真實消費體驗的文字評價、帶圖評價、追評、分享被點擊數、問大家參與次數、購買成交天數、連續購買月數的綜合分值。獎勵分受購物分正向影響，購物分越高，獎勵分越高；
基礎分：基礎分由當前信譽等級決定。信譽等級越高，基礎分越高，並且可得購物分和獎勵分的分數越高。
購物分圍繞着用戶的近12個月消費記錄，獎勵分則是圍繞着用戶的實際互動行爲，包括評價、分享、參與次數等。這裏特別強調一點RFM模型不僅僅針對消費數據，可以試試其他新的花樣，比如：
互動行爲：最近一次互動時間、互動頻次、用戶的互動次數；
直播行爲：最近一次觀看直播時間、直播觀看頻次、觀看直播累計時長；
內容行爲：最近一次觀看內容時間、觀看內容頻次、觀看內容字數；
評論行爲：最近一次評論時間、評論頻次、累計評論次數等等等等。
以上這些只是我的簡單思考，希望可以給大家更多的啓發。
淘寶根據用戶的淘氣值將用戶分成了三種類型：
普通會員：0 ≤ 淘氣值 ＜ 1000；
超級會員：1000 ≤ 淘氣值 ＜ 2500；
APASS會員：2500 ≤ 淘氣值。
分別設定了不同的權益針對性運營，在推出88會員的時候淘氣值高於1000分的用戶可以以88元直接購買會員。同時在淘氣值頁面看到了88會員中心【敬請期待】的頁面，在結合88會員入口處【花小積分 兌大權益】的文案，相信未來淘寶會在88會員上有新的運營動作。
最後關於無量綱化處理的方法還有很多，我這裏介紹了最簡單的一種，喜歡研究的同學可以自行百度。
- END -
本文爲轉載分享&推薦閱讀，若侵權請聯繫後臺刪除
