博客 价值被严重低估的数据分析模型:RFM模型

价值被严重低估的数据分析模型:RFM模型

   数栈君   发表于 2023-05-30 15:55  211  0

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?


http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/15b288272b7f7504f4dade19c9879a2d..jpg


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)。


http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/c89ebb18c832785a3d7185b050c1751c..jpg


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)。

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/0cbd22e8da057d3e3fd7c55f4f80ba38..jpg


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)。


http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/01b1c7c6b95f52d6ee2480a4582be770..jpg


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)。


http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/558b605a2295f4facaa2308c26158faa..jpg


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:


http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/8d3b2985ace57468596c20fc092d24a0..jpg

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。

免责申明:

本文系转载,版权归原作者所有,如若侵权请联系我们进行删除!

《数据治理行业实践白皮书》下载地址:https://fs80.cn/4w2atu


《数栈V6.0产品白皮书》下载地址:https://fs80.cn/cw0iw1

想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友,浏览袋鼠云官网:https://www.dtstack.com/?src=bbs


同时,欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」,交流最新开源技术信息,群号码:30537511,项目地址:https://github.com/DTStack


0条评论
社区公告
  • 大数据领域最专业的产品&技术交流社区,专注于探讨与分享大数据领域有趣又火热的信息,专业又专注的数据人园地

最新活动更多
微信扫码获取数字化转型资料
钉钉扫码加入技术交流群