博客 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

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

   数栈君   发表于 2023-05-31 17:18  481  0

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,但完成了运营活动后,比较难及时进行活动效果的跟进与评估,到了可以评估的时候又往往发现活动效果并不理想。


造成以上情况的主要原因就是业务人员认为的用户群体特征与用户实际的特征之间存在着一定的偏差,手动进行用户分析则耗时耗力,当有了客户数据洞察平台后,上述问题就全部迎刃而解了。


数据部门提前将基本的数据加工好,业务人员有需要的时候直接自主进行标签加工、群组分析等一系列操作,省去了很多沟通成本,将更多的精力放在了运营策略的制定上,最终成功落地效果突出的运营活动。


如何将用户从一个整体拆分成特征明显的群体决定了运营的成败。行业内有很多成熟的用户价值分析方法,而这其中最为经典的实现模型就是 RFM 模型。在资源有限的情况下,RFM 模型可以让企业聚焦于更有价值的用户,带来事半功倍的效果。


关于 RFM 模型,这个名字很多同学都知道,但深究到执行层面,相信很多同学都是一知半解,本文将为大家详细介绍 RFM 模型在「袋鼠云客户数据洞察平台」内的落地实战,帮助您快速判断用户价值等级,真正实现数据赋能业务发展。


RFM 模型核心维度


首先,让我们先来了解一下什么是 RFM 模型。RFM 模型是做用户精细化运营的常用分析方法,可以直观看出用户的价值贡献。RFM 模型包含三个重要指标:最近一次消费频率(Recency)、消费频率(Frequency)、消费金额(Monetary)。下面通过具体例子介绍如何生成 RFM 模型来指导运营工作的推进。


在开始加工标签、生成模型之前,首先要完成业务场景的分析,根据业务场景对用户的行为进行分层后,再通过「客户数据洞察平台」创建相应的「最近一次消费频率」、「消费频率」、「消费金额」标签,随后根据这些标签生成想要的 RFM 模型。


下面我们以用户下单行为为例来看一下近30天有下单行为的用户价值。根据对业务场景的分析,我们需要完成以下这些标签的加工:

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/ada125ee7f4e8dea728f388dc5971bd3..jpg


客户数据洞察平台中实现 RFM 模型


完成了业务场景的分析,接下来就可以在「客户数据洞察平台」完成标签的创建以及 RFM 模型的生成。


创建用户实体,并将订单表绑定至对应的用户实体下

下图展示了订单表绑定实体的过程,完成了绑定的实体则可以进行后续标签的加工。

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/5f9014affaacbd481c5b51d975a3fc4a..jpg


根据订单表加工所需的衍生标签

通过前文的业务分析,我们需要以下5个衍生标签:近7天有消费行为、近15天有消费行为、近30天有消费行为、近30天消费频率、近30天消费金额水平。


其中,「近7天有消费行为」、「近15天有消费行为」、「近30天有消费行为」标签的加工方法类似。下图仅展示「近7天有消费行为」标签的加工规则:

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/d6f17d3a3aee6f57cd2dcfd6466f9a72..jpg


下图为「近30天消费频率」标签的加工规则:

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/489eef112086d07493a78be06276947a..jpg


在加工标签的过程中,我们可以通过标签值分布功能来评估我们的分类标准是否合理,如出现了下图这种分布情况,则说明我们设置的「高」等级标签值的门槛过高,没有实例可以覆盖,此时我们需要整体调低分布区间,提高标签计算结果的利用率。

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/b681cdf0d0aef10f26c2013ad41664f4..jpg


下图为「近30天消费金额水平」标签的加工规则:

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/6e8028dd8c9f75322b2569056a3dd857..jpg


根据加工好的衍生标签加工组合标签

「最近一次消费频率」标签是根据近7天有消费行为、近15天有消费行为、近30天有消费行为三个衍生标签而来的组合标签,下图为「最近一次消费频率」标签的加工规则:

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/8ca54a5fb720a6c04e2e68badeeabb97..jpg


以上,我们就完成了实现 RFM 模型所必要的三个核心标签。


标签圈群,实现 RFM 模型

在创建 RFM 模型之前,让我们先对模型做一下拆解,看一下群体结果与业务是如何进行结合的。


在 RFM 模型中,我们需要的3个标签被分成了三个等级,对标签值进行自由组合,形成了27类人群,本文中选取其中的3类人群进行群组分析与洞察。

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/5b0d9be21122550234e74b17086ac01d..jpg


了解了 RFM 模型如何使用之后,我们就可以在「袋鼠云客户数据洞察平台」将需要进一步分析的各个群组的用户正式筛选出来,进而对各个群体进行定向的更加具体的营销策略制定与执行。


「袋鼠云客户数据洞察平台」提供了两种 RFM 模型落地的方式,一种是从27类人群中选取重点关注的群体分别建立群组;一种是使用平台提供的模型封装工具快速落地。


第一种方式将会节约更多的存储、计算资源,适合对模型、用户的理解与应用更加深刻的高级运营人员使用;第二种方式则可以更加方便快捷的查询各类不同价值等级的用户群体,更全面的洞察目标群体的突出特征,同时也需要花费更多的精力、更多的资源来关注一些低价值群体。


本文主要介绍第一种方式的配置方法,第二种方式感兴趣的同学可在「袋鼠云客户数据洞察平台」内自行探索。进入到群组分析内的标签圈群模块,设置好我们上方提到的群组1的圈群条件,如下图所示:

http://dtstack-static.oss-cn-hangzhou.aliyuncs.com/2021bbs/files_user1/article/2e8133a785c5abe3613bb37db8f6d6c1..jpg


设置好群组规则后,开始进行圈群动作,平台会向你提供所有的群体实例信息,你可以将其保存为群组后后续实时关注群组变化,也可快速进行群组画像、显著性分析、群组对比等群组分析洞察。


总结


以上,就是 RFM 模型在「袋鼠云客户数据洞察平台」的实战演练。除了 RFM 模型,客户数据洞察平台也可以落地其他典型的用户分析模型,如 AARRR 模型、PLC 模型、AIPL 模型等。


在实际使用中,多模型组合分析也是重要的分析洞察内容,后续将陆续为大家呈现更多的模型加工与分析的实操内容,欢迎关注。


《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
上一篇:电力数据脱敏
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