RFM模型

这篇具有很好参考价值的文章主要介绍了RFM模型。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

定义

R 最近1次消费时间间隔(Recency)
F 消费频率(Frequency)
M 消费金额(Monetary):一段时间内消费的总金额(“一段时间”通常根据不同应用场景来定)
而用这三个指标进行分析的方法就叫RFM模型或者是RFM分析法。

指标分析

第一个指标R一定是越低越好。
例如,翔宇开了一个店铺,今天是31号,我要根据这个月的销售情况读客户分群,找到不同“层次”的客户。而张三是店里的常客,他这个月最后一次在翔宇的店里消费是29号,那么距离31号是2天,这个时候,我们就说R等于2,于是我们肯定是认为R越小,客户价值越高。

第二个指标是消费频率F,F一定是越高越好了,这个就更简单了吧,就比如还是上面的例子,这个月张三总共来了翔宇的店里消费了5次,那么F就是5,我们希望F越大越好

第三个是消费金额M,这个就更明显了,我就不解释了啊,M一定是越大客户越有价值。

模型分析

知道这三个指标后,RFM模型是根据这三个指标得到一个三维的空间(立体坐标系),然后将客户根据各自三个指标的值映射到8个象限中,根据查看客户所在象限确定其价值程度。如下图。
RFM模型
RFM模型

如何衡量每个客户的RFM指标

那么,通过这样八个维度的划分,我们就成功将客户划分成了八个类别。那么接下来问题来了,我们需要怎样衡量每一个客户的RFM指标呢?

想要计算每个用户的RFM,通常我们需要的信息有:用户ID,消费时间,消费金额。

1. 确定时间范围

因为RFM与时间有关,因此很多同学在取数的时候会纠结时间怎么分;严格来说,越柴米油盐,消费频次本身越高的业务,取的时间应该越短。
最典型的就是生鲜,人天天都要吃饭,7天不吃可能就有问题;普通的快消品零售可能取30天,类似服装百货零售可能取90天;

2. 要定义指标的衡量标准

例如对于最近消费时间间隔R来说,我们怎样定义标准呢?是小于3天算高呢?还是小于5天算高呢?
还是超过20天算低呢?对于这个问题,对于不同的业务场景来说都是不同的,所以,这个时候,我们就得找上我们的业务、运营来讨论定义标准了。
定义好标准后,我们通常得到类似这样一个打分表
RFM模型
同理,对于F、M两个指标,也是使用同样的方式进行定义,接下来就是根据表格对指标进行打分了。

3. 对客户指标进行打分

RFM模型

4. 计算平均值

一般我们用每个指标打分的平均值作为划分标准,即是客户的对应得分大于等于平均值分类为高,否则为低。例如
RFM模型

5. 用户分类

根据,4中的划分,现在,我们就可以在八个象限中找到该客户的位置了,我们将客户分为以下八类。

不同客户不同解决方案

得到客户分类后,我们是不是就该对不同的客户提供不同的服务呢?

这就是人们常说的精细化运营,在流量红利逐渐消失后,人们不得不进行精细化运营,必须对不同的客户提供不同等级的服务。在文章开头讲到的没有数据分析师的公司问题就是还没有意识到精细化运营这一点,才出现了连”大客户“的名单都不知道的情况。

言归正传,那么,通常我们肯定是要将重点放在前四类客户上。对于
1.重要价值客户,RFM都很高,我们要提供VIP服务
2.重要发展客户,消费频率低,这类客户是最容易转化成第一类客户的群体,一定要想办法提高他们的消费频率。
3.重要保持客户,最近一笔消费时间已经有些远了,所以必须要主动保持联系,提高复购。
4.重要挽留客户,这类客户消费频率低和最近消费时间间隔比较远,但是消费金额高,这种用户即将流失,要主动联系用户,调查问题出在哪里,想办法挽回。

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。

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。

来源:https://zhuanlan.zhihu.com/p/432845221
https://baijiahao.baidu.com/s?id=1678599529528503634&wfr=spider&for=pc文章来源地址https://www.toymoban.com/news/detail-450277.html

到了这里,关于RFM模型的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • Python综合数据分析_RFM用户分层模型

    参考资料:开课吧

    2024年02月01日
    浏览(112)
  • Kafka根据时间戳消费数据并返回最近的十条

    根据时间戳消费kafka topic数据并返回最近十条 通过时间戳获取各个分区的起始offset,每个分区都取10条,最后将所有分区的十条数据进行升序排序后,返回前十条 第一次写的时候,调用consumer.assign时,传参是所有的分区,consumer.seek也是设置的所有分区的起始offset,导致poll的

    2024年02月11日
    浏览(33)
  • 理论+实操|一文掌握 RFM 模型在客户数据洞察平台内的落地实战

    确定用户价值是整个用户运营过程中极其重要的一环。传统的工作流程中,业务人员向数据部门提出数据需求,等待返回结果后再进行价值分析是主要的准备工作,但这个过程非常耗时。为了提高工作效率,业务人员经常会基于自己对用户的理解制定一系列的运营策略,但完

    2024年02月07日
    浏览(72)
  • 「SQL面试题库」 No_118 消费者下单频率

    「SQL面试题库」是由 不是西红柿 发起,全员免费参与的SQL学习活动。我每天发布1道SQL面试真题,从简单到困难,涵盖所有SQL知识点,我敢保证只要做完这100道题,不仅能轻松搞定面试,代码能力和工作效率也会有明显提升。 1.1 活动流程 整理题目 :西红柿每天无论刮风下雨

    2024年02月13日
    浏览(28)
  • 传统机器学习(七)支持向量机(1)超平面、SVM硬间隔、软间隔模型和损失函数

    1.1.1 超平面公式 我们对“平面”概念的理解,一般是定义在三维空间中的,如下: 假设M和M0为平面上的两点,n为该平面的法向量,那么,通过下图可以容易推导出三维空间中的平面方程: A x + B y + C z + D = 0 Ax + By+Cz+D=0 A x + B y + C z + D = 0 我们把A、B、C写作w,把x、y、z写作x,

    2023年04月27日
    浏览(57)
  • matlab绘图修改坐标轴数字字体大小及坐标轴自定义间隔设置

    一、背景 在matlab使用plot函数绘图后,生成的图片坐标轴数字字体大小及间隔可能并不符合我们的要求,因此需要自定义修改,具体方法如下 二、修改坐标轴数字字体大小 只需添加以下命令即可: 不仅可以修改坐标轴数字字体大小,还可以修改字体类型 三、自定义坐标轴间

    2024年01月15日
    浏览(77)
  • 支持向量机 SVM | 线性可分:软间隔模型

    线性可分SVM中,若想找到分类的超平面,数据必须是线性可分的;但在实际情况中,线性数据集存在少量的异常点,导致SVM无法对数据集线性划分 也就是说:正常数据本身是线性可分的,但是由于存在异常点数据,导致数据集不能够线性可分 为了解决上述问题,我们引入软

    2024年03月09日
    浏览(64)
  • vue子组件修改父组件传递的变量(自定义日期时间组件,时间间隔为15分钟或者一个小时)

    子组件不能直接修改父组件变量的值,但是可以通过调用父组件的方法来修改。 在父组件声明变量 在父组件使用子组件并传递数据,修改变量 在子组件中接收值,并调用父组件方法修改父组件的变量 以上步骤只是逻辑步骤和部分代码,以下有完整代码:

    2024年02月14日
    浏览(39)
  • docker版jxTMS使用指南:自定义频率型动态管控

    本文讲解4.4版jxTMS中如何自行定义一个频率型的动态管控,整个系列的文章请查看:docker版jxTMS使用指南:4.4版升级内容 docker版本的使用,请查看:docker版jxTMS使用指南 4.0版jxTMS的说明,请查看:4.0版升级内容 4.2版jxTMS的说明,请查看:4.2版升级内容 上篇文章中我们讲解了j

    2024年02月14日
    浏览(37)
  • 测试4年,费时8个月,入职阿里,涨薪14K,可算是熬出头了····

    你的努力,终将成就无可替代的自己 本科毕业后就一直从事测试的工作,和多数人一样,最开始从事功能测试(所谓的点点点)的工作,看着自己的同学一步一步往上走,自己还是在原地踏步,说实话这不是自己想要的状态。 一年半后开始沪漂生活,又摸爬滚打了一年半,

    2024年02月07日
    浏览(40)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包