-
让品牌有温度、有情感
专注品牌策划15年
rfm模型应用实例
发布时间：2023-04-12 16:14:44
稿源：
创意岭 阅读：
72
大家好！今天让创意岭的小编来大家介绍下关于rfm模型应用实例的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。
开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等
只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端
创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008
本文目录:
一、客户价值如何分析？看看这个RFM模型分析吧
相信很多企业都希望服务好客户，促进销售转化，最好能对产品和品牌产生黏性，长期购买。于是绞尽脑汁去维护客户关系，但往往不是很理想，无感的依旧无感。为什么？因为不同的客户消费需求不一样。因此，对不同的客户进行价值划分，可以更好地帮助业务部门进行精准营销，为不同的客户定制不同的营销策略，以提高转化率。
那么如何对客户价值进行分析呢？这里我们可以通过RFM模型对客户进行细分：
R：最近一次消费（Recency），指客户最近交易日期距离当前天数。
F：消费频率（Frequency），表示客户在一定时期内的购买次数。
M：消费金额（Monetary），表示客户在一定时期内消费的平均金额。
通过这样的模型对客户价值划分后，我们可以将客户类型细分成：重要价值客户、重要发展客户、重要保持客户、重要挽留客户、一般价值客户、一般发展客户、一般保持客户、一般挽留客户，如下图所示：
借助上图所示的RFM模型分析，企业可以很直观的了解到不同客户所对应的价值。若想清晰的掌握不同客户类型下的客户数量及其所带来的销售额情况，我们可以借助下图帮助用户直观统计出不同类型客户的情况：
如图，我们可以看到，一般挽留客户与一般发展客户的数量最多，但其所带来的销售价值并不高，而重要价值客户所占数量不多，但却为企业带来了最大的收益价值。因此，企业可在面对不同类型的客户时，采取不同的销售策略，为企业带来更大的收益价值。
在对客户价值分析的过程中，我们还可以结合其他图表对客户进行分析，联动筛选出想要了解的客户情况：
如上图所示，我们可以借助此分析报表，筛选过滤出任意一家或多家客户的月度销售额、成本、平均单价、所购买的商品种类、笔数等指标数据的变化趋势，以及客户所购买的物料具体明细，帮助企业更清晰了解不同客户的销售价值，以此采取不同的销售应对策略。
当然，上述图表仅供参考，在实际中可另行修改设计。该分析模型制作完成后，借助数林BI对数据进行自定义更新设置后，后续数据可自动可从用友或金蝶系统中获取，帮助我们减少定期重复做表的繁琐，减轻工作量，从而提高工作效率。
二、4种常见的用户分层方法(RFM核心模型)
一.什么是用户分层？
用户分层是以 用户价值（比如说：活跃用户、高价值用户） 为中心来进行切割的，在同一分层模型下，一个用户只会处于一个层次中。还有一种说法是用户分群，它是以 用户属性（用户身上的某一类标签，比如：喜欢在地铁上看书的用户）为中心 进行划分，1个用户可能会同时拥有多个属性。
用户分层的本质是一种以用户和特征、用户行为等为中心对用户进行细分的精细化运营。
二.4种常见的用户分层方法？
分层实施的两大核心：
第一，我们找到一个分层的模型之后，处于不同层级的用户，需要能够被通过数据字段或标签等方式识别区分出来。
第二，面向每一类用户的运营机制或策略是明确稳定的。
用户分层的两个维度：
第一个维度：业务主链条标准化程度是高还是低
举个栗子：像手机里的闹钟，定了闹钟之后，响了就取消掉，闹钟的过程简单且标准化程度非常高。再比如，像一些阅读类APP它的用户所在的地区，用户的年龄及身份不同，用户的需求也会不同，它的业务主链条标准化程度低，是一个非标的产品，并且有时它的业务链条非常长还非常的复杂。
第二个维度：用户在产品中互相影响的可能性是高还是低
有一些产品用户是会在产品当中发生关系的，而有些产品呢就不会，有时候同一类型的产品，用户之间的影响也可能会不同。
举个栗子：像理财类的产品，用户之间的影响非常的低，但是像抖音、知乎这样的产品，用户之间的关系程度就高一些。
当我们知道用户处在哪个维度之后，我们就可以知道运用哪一种分层方式了。
第一类：用户个性化特质&需求区隔分层
这一类的分层方式就比较适合适用在业务主链条标准化程度低的，业务主链条比较多样，业务比较复杂这样的产品当中。
我们对用户进行个性化特质的区隔分层，要首先清楚用户个性化区隔的常见维度有哪些：
由上图可以发现，自然属性里进行区隔要依靠的是用户的基础数据，个性化需求里面的显性和隐性消费偏好要依赖的是用户的行为数据。场景则是依赖于时间、地理位置进行区分的。
那进行个性化区隔分层的依据是什么呢？
我们要看看用户是否会因为上面所陈列的这些行为和属性的不同，导致其需求、使用动机、使用偏好等会出现较大差异。
那怎么判断呢？要么靠常识和用户洞察，要么靠数据。
进行用户个性化区隔分层时的两种选择：
第一种：选择一个维度对用户进行划分，分别给予定向解决文案。像美柚这款产品，用户在不同的阶段，比如：我在备孕、我怀孕了、我是辣妈等不同的维度进行相关信息的区分和推送。
第二种：选择两个有相关性的维度通过交叉区隔对用户进行划分，再分别给予定向的解决方案。比方如某基金理财类的产品：通过两个维度来切割对用户进行划分。
第二类： 用户身份区隔分层
这一类的分层方式就比较适合运用在用户在产品中互相影响的可能性高的产品当中。
一款产品当中，如果用户之间是可见，可被影响的，我们赋予用户身份的特质（加V、勋章等）才会有意义。
说到用户身份区隔分层就会提到用户金字塔模型：
用户金字塔模型是按照用户的价值贡献度大小或用户影响力的稀缺程度由下到上搭建一个金字塔模型，再赋予每一类用户对应的角色和权益，搭建一个良性关系。
那如何梳理并搭建一个产品的用户金字塔模型呢？
首先，先梳理出产品的业务逻辑（这个产品当中有哪几类业务角色，这个业务角色当中他们是怎么发生关系的），然后逐次思考：
第三类：用户价值区隔分层
通过判断用户的价值高中低，来对用户完成分层。这一类和第四类的分层方式是通用的，所有产品都可以应用。
用户价值区隔分层有两种做法：
第一种：依靠用户生命周期定义对用户进行价值区隔
生命周期的定义我们上面说过，用户生命周期的定义，必然与 用户的价值成长路径 有关。不同的产品用户价值成长路径也会不同
用户生命周期的定义无非就两种：
第一种是强付费类的产品
我们把用户从进入到付费, 持续付费到流失这样一个典型的路径画出来，然后给不同的用户划分不同的阶段，每个阶段被定义成用户生命周期里的层次。
第二种：是流量类的产品
第二种：通过关键用户行为对用户进行价值区隔。
这两种方式的有共性也有差异性， 共性是：都需要找到某一种方式对于我们当前站内的用户的用户价值进行判断。并对用户价值的区间（是高还是低）做界定。然后对不同价值区间的用户做针对性的运营。不同的是： 去判断用户价值第一种依靠的是用户的生命周期的模型，第二种是通过几个关键用户的行为做交叉分析。
通过关键用户行为对用户进行价值区隔是找到产品中能够衡量用户价值的关键行为，对其进行交叉分析和评估，最终形成某种分层模型，比如经典的RFM模型。
那什么是RFM模型呢？
RFM模型是衡量客户价值和客户创利能力的重要工具和手段，它通过 Recency-距离最近一次交易、Frequency-交易频率、Monetary-交易金额 这三项指标来描述该 客户的价值状态，依据这三项指标 划分8类客户价值。
实施RFM用户分层的操作步骤是什么？
第一步：抓取用户R、F、M三个维度下的原始数据。
首先，我们需求提出数据的需求，并定义出F中的“一段时间”是多久以及用户类型，然后拉出该时间段内所有的订单数据，数据字段包括用户ID、下单时间和订单金额。这里需要注意的是定义一段时间，我们可以拍脑袋，也可以参考业务进展和需求，一般如果业务比较稳定的情况下，多以自然年或季度、半年等为单位来进行定义。
第二步：定义R、F、M的评估模型与中值
我们需要根据业务特性或数据分布情况来划分数据分布区间，设定评估模型，然后设定中值。
第三步：进行数据处理，获取用户的R、F、M值
第四步：参照评估模型与中值，对用户进行分层。
第五步：针对不同层级用户制定运营策略，推进落地。
第四类：AARRR模型分层
AARRR模型通常是在增长的语境下看到的，我们也可以通过这个模型对用户进行粗放的分层。
第一种AARRR模型：
第二种AARRR模型：
两种模型并没有绝对的好与坏，只是适用的场景不同，像滴滴这种产品，用户上一就收费，收入放在前面比较好。
如果是流量型的产品，有了流量才能增值用第一种AARRR模型比较好一些。
想用好AARRR模型来用用户分层的话，一定要找到合适的数据指标，来描述和定义处于每一层级的用户。
链接：https://www.jianshu.com/p/5bb31f906aee
三、RFM模型的分析
RFM的含义如下：
1、R（Recency）：客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。
2、F（Frequency）：客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。
3、M（Monetary）：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。
4、RFM分析就是根据客户活跃程度和交易金额的贡献，进行客户价值细分的一种方法。
rfm分析方法如下：
我们通常采用交易数据的格式进行分析。因为交易数据可以整理成客户数据，而客户数据无法还原成交易数据。即用交易数据的字段可以得到客户数据的字段，反之不行。
具体是“交易数据”还是“客户数据”根据数据源文件的格式而定。
【变量】：选择各个变量
【分箱化】：评分的总分是多少
【保存】：生成哪些新的变量，可以自定义名称。
【输出】：可以全部勾选，为了能全面的解读RFM分析结果。
确定后，生成了四个新的变量
崭新-得分：最后一次交易的时间间隔得分；
频率-得分：交易总次数得分；
消费金额-得分：交易总金额得分；
RFM得分：RFM得分
分析结果解读：
该图主要用来查看每个RFM汇总得分的客户数量分布是否均匀。
我们期望均匀的分布，若不均分，则应该重新考虑RFM的适用性或尝试另一种分箱方法（减少分箱数目或随机分配绑定值）
“RFM热图”是交易金额均值在RS和FS绘制的矩阵图上的图形化表示，用颜色深浅表示交易金额均值的大小，颜色越深，表示相应矩阵块内的客户交易金额均值越高。
如本例随着RS和FS的分值增大，颜色越来越深，说明客户最近一次交易时间越近、交易次数越多，其平均交易金额越高。
该图是最后一次交易时间、交易总次数、交易总金额之间的散点图。
通过散点图可以清晰直观的看到三个分析指标两两之间的关系，便于指标相关性评估。
本例中，交易总次数和交易总金额存在较为明显的线性关系，而最后一次交易时间和另外两个分析指标之间的相关性较弱。
四、RFM模型如何实际应用
因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。先说说对海量数据挖掘和数据处理的一点体会：（仅指个人电脑操作平台而言）一般我们拿到的数据都是压缩格式的文本文件，需要解压缩，都在G字节以上存储单位，一般最好在外置电源移动硬盘存储；如果客户不告知，你大概是不知道有多少记录和字段的；Modeler挖掘软件默认安装一般都需要与C盘进行数据交换，至少需要100G空间预留，否则读取数据过程中将造成空间不足海量数据处理要有耐心，等待30分钟以上运行出结果是常有的现象。
以上就是关于rfm模型应用实例相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。
推荐阅读：
ChatGPT究竟魅力何在（chat performance）
赣公网安备 50019002502384号
