很可惜 T 。T 您現(xiàn)在還不是作者身份，不能自主發(fā)稿哦～
如有投稿需求，請把文章發(fā)送到郵箱tougao@appcpx.com，一經錄用會有專人和您聯(lián)系
咨詢如何成為春羽作者請聯(lián)系：鳥哥筆記小羽毛（ngbjxym）
“ RFM分析，是用戶精細化運營中比較常見的分析方法了。”
今天和大家分享一篇歷史文章，內容做了微調。是數(shù)據(jù)分析中比較常用的一個分析框架：RFM分析。該模型用的很多，說明有模型自身的優(yōu)勢；但同時也存在很多的問題。今天和大家一起探討。
關于分析方法及產品化，之前有分享過《留存分析》、《漏斗分析》、《路徑分析》、《歸因分析》，可以查看回顧。
RFM分析，其實是一種將用戶分層、進而針對不同用戶群體進行精細化運營的方法。
RFM的三個字母，分別代表了一個維度：
R（Recency）：最近一次消費時間。反映了用戶最近消費的熱度，用以衡量用戶是否流失。理論上，最近一次消費時間越長，流失概率越高
F（Frequency）：用戶的消費頻率。反映了用戶對于產品、品牌的忠誠程度。理論上，一定時間內的購買頻率越高，用戶忠誠度越高
M（Monetary）：消費金額。反映了用戶的購買力。
通常來講，是針對每個維度設定一個閾值，將用戶群體劃分為二（高于閾值、低于閾值），三個維度齊下，則可以將用戶整體劃分為2^3=8個用戶細分群。如下圖：
有了用戶的細分，可以針對細分用戶進行精細化的營銷。比如針對【重要價值客戶】應該做好用戶的權益維系，針對【重要保持客戶】做好客戶的流失挽回。
關于模型的大體含義和應用價值，就簡述一二，詳細的請繼續(xù)。
RFM模型的建立，總結起來一般可以分為以下幾步。
從定義中我們可以看出來，R、F、M其實都是和消費相關的。因此，關于RFM模型的搭建，使用的原始數(shù)據(jù)很明確：訂單表交易表。
而且，使用的維度其實并不需要很復雜，只要有以下的維度就足夠了：
即我們只要有用戶唯一標識、消費時間、消費金額，這三個字段的明細，就可以來搭建RFM的分析模型了。
當然，對于原始數(shù)據(jù)有一些數(shù)據(jù)清洗的工作，這里就不贅述了。比如選取的是成交的訂單，而不是下單未支付的；比如選取的是排除大機構的訂單……等等。
基于上面的原始訂單數(shù)據(jù)，下一步就是RFM三個維度的加工。這里面，有很多細節(jié)的問題。
首先，關于最近一次消費時間的計算。這個指標的定義比較明確，直接取最近一次消費的時間和當前時間做差就好。
關于消費頻率的計算，必須有時間范圍的設定。那具體是設置最近一年的消費頻率（即購買了幾次），還是最近1個月的消費頻率呢？這是有很大差別的。通常來講，這個范圍的設定和分析用戶的行業(yè)有很大關聯(lián)。比如快消品，統(tǒng)計用戶的幾個月的時間就夠了，但耐消品，顯然不是。統(tǒng)計一年的，可能用戶都沒有復購。
關于消費金額。這里和消費頻率一樣，也是要有時間范圍設定的，道理也是一樣的。確定好了時間范圍，直接做sum就行，沒有太多的疑惑。
因此參數(shù)的設定，沒有固定的標準，要多結合自己所處的行業(yè)規(guī)律。加工完是這樣的表：
加工好了基礎的三個維度的統(tǒng)計指標，接下來就是進行劃分閾值的確定。即確定基于多大的數(shù)值，將每個維度的用戶進行分段劃分。
通常來講，每個維度只需要確定一個閾值即可，這樣可以將總體用戶劃分為8個分段。但現(xiàn)在還有一種套路是每個維度劃分為5段，將總體劃分為5^3共計125個分層，美其名曰【細分】。但我個人是不認可的。我覺得RFM分析的重要意義就是用戶細分的可解釋及可落地性，劃分成125個用戶群體，你該如何精細化運營呢？最終還是要進行合并。
OK，我們還是按照正常8分層來講。我們看到上面的統(tǒng)計聚合表了，往往分布是下圖的樣子（以R為例）：
如何劃分為兩群用戶呢？這時有很多種不同的方法了。
第一種方法，采取均值的方法。我個人是不太建議用均值作為閾值的。因為現(xiàn)實情況經常有一些異常值，會影響均值的計算。而數(shù)據(jù)清洗的時候很難都排掉異常。
第二種方法，是采取中位數(shù)（或者其他分位數(shù)，比如20%分位）的方法。這種方法直接將排序后的用戶按照數(shù)量進行劃分，中位數(shù)可以將人群一分為均等兩份，其他分位數(shù)也可以有合理的業(yè)務解釋：20%的用戶貢獻了80%的作用，等等。
這種方法個人覺得比較簡單易行，比較推薦。
關于偏態(tài)分布（以右偏為例）下，眾數(shù)、中位數(shù)、均值有以下關系：
除了用統(tǒng)計量直接作為閾值外，第三種方法，也是市面上看到比較多的方法，就是打分法。
所謂的打分法，就是先將原始的R、F、M數(shù)值劃分為1~5的分數(shù)，然后求分數(shù)均值，作為劃分閾值。例如下圖：
這種方法吧，挺忙活，又是打分又是求均值的。但我個人不太建議。一方面，原本只需要計算一個閾值就好了，現(xiàn)在需要先劃分成5段，那這5段該怎么劃分才合理呢？其次，這種打分的意義在哪，還增加了計算復雜度。
如果是解決異常值或者分布不均的問題，用分位數(shù)的方法就好了，我并沒有太想明白市面上大行其道的打分法的意義在哪。我想到了一種可能，就是打分為了使三個維度可以在同一量綱上，進行衡量，以此可以計算一個用戶的綜合RFM得分，進行綜合得分的排名。如下圖：
如果是這樣，那我覺得，是不是用打分法就主要依賴于模型目標了。若為了劃分為8個離散的用戶層，就沒必要打分；若為了求用戶的綜合RFM得分，需要打分。除此之外，我確實想不到打分的意義了。希望大神指點。
經歷了上面不同閾值劃分方法的紛爭，下面就比較順暢了，那就是用戶分層的計算。
這一步比較容易理解，直接根據(jù)定好的三個閾值，判斷每個用戶屬于哪個區(qū)間，然后打標即可。不贅述了。
所謂的模型優(yōu)化，主要還是在于閾值的調整。
要隨著最終劃分的人群以及相關的運營效果、活動規(guī)律，調整閾值的設定，最終達到一個最合理的劃分。
本文開頭也提到了，RFM模型的應用廣泛，是有很大優(yōu)點的，但缺點也是不少，現(xiàn)在來和大家一起探討一下。
最大的優(yōu)點，應該是數(shù)據(jù)的可獲得性。
目前在互聯(lián)網中，基本對于數(shù)據(jù)的收集做的還是比較完備了，采集了用戶的各種行為數(shù)據(jù)等，可以更好的進行用戶打標簽、分層的操作。但是在傳統(tǒng)行業(yè)中，沒有太多的行為數(shù)據(jù)，其實能用的數(shù)據(jù)比較有限。
但是，無論公司的數(shù)據(jù)做的有多不完備，也一定是有成交數(shù)據(jù)的（除非這個公司沒收入……）。只要有成交數(shù)據(jù)，就能進行RFM的分析，這是最大的優(yōu)勢。而且，基于成交數(shù)據(jù)做的RFM模型，還是比較有效的。
其次，模型的分層可解釋性強。
其他很多算法模型、機器學習模型，往往通過聚類進行用戶的分層，對于業(yè)務來講，不是很好解釋。但RFM模型分成的8個用戶類別，是非常好理解的。
RFM模型其實是滯后性的分析模型，只有當用戶發(fā)生了購買行為后，才能進行RFM的分析。而且模型的前提假設就是用戶的前后行為是無差別的。
另外，使用該模型需要注意的是，不同行業(yè)的應用，是有差別的。
最典型的是就是快消品和耐消品的差別。對于耐消品而言，RFM分析并不是一個很行之有效的模型。例如冰箱的購買，用戶購買一臺冰箱后可能十幾年都沒有購買了，這是沒辦法用RFM分析的。如果強搬硬套，是沒有任何意義的。
以上是今天和大家分享的內容，歡迎大家繼續(xù)關注~
-END-
本文為作者獨立觀點，不代表鳥哥筆記立場，未經允許不得轉載。
《鳥哥筆記版權及免責申明》 如對文章、圖片、字體等版權有疑問，請點擊 反饋舉報
我們致力于提供一個高質量內容的交流平臺。為落實國家互聯(lián)網信息辦公室“依法管網、依法辦網、依法上網”的要求，為完善跟帖評論自律管理，為了保護用戶創(chuàng)造的內容、維護開放、真實、專業(yè)的平臺氛圍，我們團隊將依據(jù)本公約中的條款對注冊用戶和發(fā)布在本平臺的內容進行管理。平臺鼓勵用戶創(chuàng)作、發(fā)布優(yōu)質內容，同時也將采取必要措施管理違法、侵權或有其他不良影響的網絡信息。
一、根據(jù)《網絡信息內容生態(tài)治理規(guī)定》《中華人民共和國未成年人保護法》等法律法規(guī)，對以下違法、不良信息或存在危害的行為進行處理。
1. 違反法律法規(guī)的信息，主要表現(xiàn)為：
1)反對憲法所確定的基本原則；
2)危害國家安全，泄露國家秘密，顛覆國家政權，破壞國家統(tǒng)一，損害國家榮譽和利益；
3)侮辱、濫用英烈形象，歪曲、丑化、褻瀆、否定英雄烈士事跡和精神，以侮辱、誹謗或者其他方式侵害英雄烈士的姓名、肖像、名譽、榮譽；
4)宣揚恐怖主義、極端主義或者煽動實施恐怖活動、極端主義活動；
5)煽動民族仇恨、民族歧視，破壞民族團結；
6)破壞國家宗教政策，宣揚邪教和封建迷信；
7)散布謠言，擾亂社會秩序，破壞社會穩(wěn)定；
8)宣揚淫穢、色情、賭博、暴力、兇殺、恐怖或者教唆犯罪；
9)煽動非法集會、結社、游行、示威、聚眾擾亂社會秩序；
10)侮辱或者誹謗他人，侵害他人名譽、隱私和其他合法權益；
11)通過網絡以文字、圖片、音視頻等形式，對未成年人實施侮辱、誹謗、威脅或者惡意損害未成年人形象進行網絡欺凌的；
12)危害未成年人身心健康的；
13)含有法律、行政法規(guī)禁止的其他內容；
2. 不友善：不尊重用戶及其所貢獻內容的信息或行為。主要表現(xiàn)為：
1)輕蔑：貶低、輕視他人及其勞動成果；
2)誹謗：捏造、散布虛假事實，損害他人名譽；
3)嘲諷：以比喻、夸張、侮辱性的手法對他人或其行為進行揭露或描述，以此來激怒他人；
4)挑釁：以不友好的方式激怒他人，意圖使對方對自己的言論作出回應，蓄意制造事端；
5)羞辱：貶低他人的能力、行為、生理或身份特征，讓對方難堪；
6)謾罵：以不文明的語言對他人進行負面評價；
7)歧視：煽動人群歧視、地域歧視等，針對他人的民族、種族、宗教、性取向、性別、年齡、地域、生理特征等身份或者歸類的攻擊；
8)威脅：許諾以不良的后果來迫使他人服從自己的意志；
3. 發(fā)布垃圾廣告信息：以推廣曝光為目的，發(fā)布影響用戶體驗、擾亂本網站秩序的內容，或進行相關行為。主要表現(xiàn)為：
1)多次發(fā)布包含售賣產品、提供服務、宣傳推廣內容的垃圾廣告。包括但不限于以下幾種形式：
2)單個帳號多次發(fā)布包含垃圾廣告的內容；
3)多個廣告帳號互相配合發(fā)布、傳播包含垃圾廣告的內容；
4)多次發(fā)布包含欺騙性外鏈的內容，如未注明的淘寶客鏈接、跳轉網站等，誘騙用戶點擊鏈接
5)發(fā)布大量包含推廣鏈接、產品、品牌等內容獲取搜索引擎中的不正當曝光；
6)購買或出售帳號之間虛假地互動，發(fā)布干擾網站秩序的推廣內容及相關交易。
7)發(fā)布包含欺騙性的惡意營銷內容，如通過偽造經歷、冒充他人等方式進行惡意營銷；
8)使用特殊符號、圖片等方式規(guī)避垃圾廣告內容審核的廣告內容。
4. 色情低俗信息，主要表現(xiàn)為：
1)包含自己或他人性經驗的細節(jié)描述或露骨的感受描述；
2)涉及色情段子、兩性笑話的低俗內容；
3)配圖、頭圖中包含庸俗或挑逗性圖片的內容；
4)帶有性暗示、性挑逗等易使人產生性聯(lián)想；
5)展現(xiàn)血腥、驚悚、殘忍等致人身心不適；
6)炒作緋聞、丑聞、劣跡等；
7)宣揚低俗、庸俗、媚俗內容。
5. 不實信息，主要表現(xiàn)為：
1)可能存在事實性錯誤或者造謠等內容；
2)存在事實夸大、偽造虛假經歷等誤導他人的內容；
3)偽造身份、冒充他人，通過頭像、用戶名等個人信息暗示自己具有特定身份，或與特定機構或個人存在關聯(lián)。
6. 傳播封建迷信，主要表現(xiàn)為：
1)找人算命、測字、占卜、解夢、化解厄運、使用迷信方式治??；
2)求推薦算命看相大師；
3)針對具體風水等問題進行求助或咨詢；
4)問自己或他人的八字、六爻、星盤、手相、面相、五行缺失，包括通過占卜方法問婚姻、前程、運勢，東西寵物丟了能不能找回、取名改名等；
7. 文章標題黨，主要表現(xiàn)為：
1)以各種夸張、獵奇、不合常理的表現(xiàn)手法等行為來誘導用戶；
2)內容與標題之間存在嚴重不實或者原意扭曲；
3)使用夸張標題，內容與標題嚴重不符的。
8.「飯圈」亂象行為，主要表現(xiàn)為：
1)誘導未成年人應援集資、高額消費、投票打榜
2)粉絲互撕謾罵、拉踩引戰(zhàn)、造謠攻擊、人肉搜索、侵犯隱私
3)鼓動「飯圈」粉絲攀比炫富、奢靡享樂等行為
4)以號召粉絲、雇用網絡水軍、「養(yǎng)號」形式刷量控評等行為
5)通過「蹭熱點」、制造話題等形式干擾輿論，影響傳播秩序
9. 其他危害行為或內容，主要表現(xiàn)為：
1)可能引發(fā)未成年人模仿不安全行為和違反社會公德行為、誘導未成年人不良嗜好影響未成年人身心健康的；
2)不當評述自然災害、重大事故等災難的；
3)美化、粉飾侵略戰(zhàn)爭行為的；
4)法律、行政法規(guī)禁止，或可能對網絡生態(tài)造成不良影響的其他內容。
二、違規(guī)處罰
本網站通過主動發(fā)現(xiàn)和接受用戶舉報兩種方式收集違規(guī)行為信息。所有有意的降低內容質量、傷害平臺氛圍及欺凌未成年人或危害未成年人身心健康的行為都是不能容忍的。
當一個用戶發(fā)布違規(guī)內容時，本網站將依據(jù)相關用戶違規(guī)情節(jié)嚴重程度，對帳號進行禁言 1 天、7 天、15 天直至永久禁言或封停賬號的處罰。當涉及欺凌未成年人、危害未成年人身心健康、通過作弊手段注冊、使用帳號，或者濫用多個帳號發(fā)布違規(guī)內容時，本網站將加重處罰。
三、申訴
隨著平臺管理經驗的不斷豐富，本網站出于維護本網站氛圍和秩序的目的，將不斷完善本公約。
如果本網站用戶對本網站基于本公約規(guī)定做出的處理有異議，可以通過「建議反饋」功能向本網站進行反饋。
(規(guī)則的最終解釋權歸屬本網站所有)