数据分析八大模型：详解RFM模型

今天跟大家分享的是一个经常被提及，但是价值被严重低估的模型：RFM模型。

一、RFM的基本思路

RFM模型由三个基础指标组成：

• R：最近一次消费至今的时间
• F：一定时间内重复消费频率
• M：一定时间内累计消费金额

RFM模型里，三个变量的含义是很具体的：

• M：消费越多，用户价值越高，越应该重点关注。
• R：离得越远，用户越有流失可能，越应该唤醒用户。
• F：频次越低，越需要用一次性手段（比如促销、赠礼），频次越高，越可以用持续性手段（积分） 来维护

因此RFM能直接从数据推导出行动建议，是一种非常好用的办法。

二、RFM的小例子

一起来看个具体例子：某个打车出行APP，已按RFM格式，统计好用户数据（如下图，仅为示例数据100条），现领导要求：分析分析用户情况。要怎么分析呢？

第一步：先看M。区分用户价值是第一位的，先认清谁是大客户，谁是小客户，后边工作思路才清晰。我们可以用十分位法，简单地对用户分层，看哪些是大客户（如下图）。

分好组以后，可以打开数据透视表，看一下每组的消费占比。

哇！第一组用户就贡献了40%+的消费，前三组合起来，共30%的用户贡献额74%的消费，真是大客户呢，因此可以分类如下：

• 第一组：VIP3（最高级VIP）
• 第二组、第三组：VIP2（每组消费占整体大于10%）
• 第四、第五组：VIP1（每组消费占整体大于5%，小于10%）
• 剩下5组：VIP0（单组消费占整体不足5%）

这里可以用一个IF语句，来做好分类（如下图）。

分类完以后可以观察每组的消费门槛在哪里，比如第一组的门槛是798元/月。在运营制定策略的时候，很有可能为了方便，找一个最近的整数。因此可以做一个手动调整，把VIP3的门店改到：一个月内消费800元。类似地，其他门槛也能做同样调整。

调整好了以后，我们已经分离出了大客户/小客户，可以做下一步的分类了。下一步可以做R。如何确定R的分类呢？可以直接根据业务特点来定。比如打车，即使再需要坐车的人，也不可能天天出门，因此R值不需要设定的太短，否则天天在人家耳朵边喊：“来坐车来坐车”，也太过度骚扰用户了。

R值可以以周为单位分类。一周内有工作日和休息日，如果用户真的是刚需，那么最迟1周也该来坐一次车了（如下图）。

分好类以后，可以做交叉表，观察不同VIP的客户在R值分布情况（如下图）。

看起来，VIP等级越高，R值越小，而VIP0的用户，居然有80%已经2周以上都没来了，要么真的没需求，要么已经流失了。这样，对VIP0的分析建议，也很清楚了：结合天气、节假日、活动等具体场景，给小额优惠，配合单次打车优惠券唤醒用户。

对于很高价值的：掏真金白银，维护好关系

对于很低价值的：定时唤醒，捞回来一个是一个

对于不高不低的，则要区分行为来看。

比如本案例中VIP1型用户，活跃度的两级分化很明显，一波人很活跃，一波人很沉默，而其消费能力都是差不多的。此时可以有两个基本策略：

针对高活跃的，推出一个捆绑XX天的优惠套餐，锁定后续消费

针对低活跃的，在其沉睡一段时间以后，推出大额激励，拉动二次消费

这样的思路下，F就可以作为参考，从VIP1里，用F值区分出高低活跃两类人，之后制定具体策略。

这样就完成了一个简单的RFM分析，而且每个客群都有针对性业务建议给到哦。

如果只到这里就停下，那就太可惜了！因为RFM模型价值远远不止于此。

三、RFM的变型

RFM的真正价值，在于：它是一种利用时间、频次、数量关系，区分轻重度用户的方法。在很多业务场景下，都可以用类似的思路解决问题。

比如：考察用户的活跃行为，也可以分为RFA

• R（Recency）：最近一次活跃距今时间
• F（Frequency）：最近1周内活跃频次
• A（amount）：最近1周内累计活跃时长

这时候，RFA组合，也能清晰地区分出轻重度用户。并且，根据RFA组合，还能找到下一步运营思路，比如以下两个用户，看起来大体相似，但可以根据行为特点，设置不同的内容推荐方案，激活用户：

四、RFM的缺点

注意，RFM的缺点是很明显的：它仅仅考虑了用户的行为数量，没有考虑用户在干什么。比如用RFM考察用户消费，就少了一个关键内容：用户买的是啥。同样的RFM数值，可能情况完全不一样，比如：

• R：距今30天未消费
• F：最近1个月仅1次消费
• M：1000元

在RFM分类里，符合上述条件的是同一类客户。可是，如果我们发现：

A用户：趁大促销，囤了1000元洗发水、沐浴露、护发素、纸巾

B用户：趁大促销，买了个1000元的空调

那即使RFM分类一致，我们也知道，A与B用户是完全不同的两类人，应该采用2类激活消费的策略。因此，RFM模型可以用，但是要结合用户消费品类，做细化思考哦。

作者：小熊妹。公众号：码工小熊。数据界新人，喜欢数据分析、数据挖掘。