时间: 2021-07-30 10:48:45 人气: 6 评论: 0
编辑导语：RFM模型是与用户价值相关的常见模型之一。那么，RFM模型具体应该如何应用？如果非专业数据师，又该如何利用常见工具Excel来计算RFM值、得出有效数据呢？本文作者就介绍了用Excel来构建RFM模型的方法，让我们来看一下。
如果你听过客户关系管理（CRM），那么你大概率上也曾听到过RFM模型。在精细化运营的今天，在解决如何更好的挖掘用户价值之前，首先要解决的问题是如何衡量用户价值？
和用户价值有关的模型非常多，除了RFM模型之外，还有客户生命周期价值模型（CLV模型）、客户生命周期模型（AARRR模型）等。不同的模型切入的角度以及具体的应用不同，我们今天主要讲的是RFM模型。
本文主要分为两个部分：一是**部分，简单告诉大家RFM模型是什么？能够给生意带来什么帮助？二是计算部分，如何只用EXCEL就可以计算RFM值并得出用户分层数据。
举例来说：某品牌经过10年的运营，拥有了500万的注册**，这个数字是明确且可统计的。在这500万的注册**中有400万的注册**产生过购买行为。那么这400万产生过购买行为的**中，有多少**是品牌的忠诚用户？有多少**已经流失？又有多少**即将流失？
针对这些不同类型的用户，如何才能实现快速获取并快速定制运营方案？甚至可以直接设置自动化精准定向营销呢？
RFM模型可以给你解答这一系列的问题，只有掌握了品牌**的不同分类以及价值，才能够有针对性地设计运营活动，从而提高最终的成交转化。
根据美国数据库营销研究所Arthur Hughes教授的研究表明，在客户的数据库中有三个要素，这三个要素构成了分析用户价值的重要指标：
RFM模型即是这三个单词的首字母组合。
R (Recency) : 最近一次交易时间间隔，指的是消费者最后一次成交距统计时间的间隔。
例如消费者最后一次的交易时间是2021年3月6日，统计时间是2021年4月6号，那么间隔时间R=30天，即消费者最后一次成交发生的时间距统计时间的间隔是30天。
F（Frequency) : 消费频率，指的是在统计时间段内，消费者的消费次数。
例如统计时间是2021年的1月到3月，消费者在这期间一共消费了5次，那么正常情况下F=5。
有人可能**问：如果这5次消费行为中，有两次消费行为（两笔订单）发生在很短的时间内，例如10分钟以内，那么F=5还是F=4更合理呢？
笔者认为这需要根据公司的具体业务形态拟定。我们在定义F值的时候之所以**有这样的顾虑是因为通常情况下，我们把消费者在很短时间内多次下单的行为看做是一次消费行为，消费者拆单可能是为了凑满减满赠等。
回到问题的本源：我们统计F这个指标主要是为了衡量消费者的活跃性，哪种方式更能够代表行业特征或公司业务形态就采用哪种方式。当然业务特殊（例如生鲜外卖）或是为了统计方便，也可以直接把F=消费次数，不考虑消费时间间隔极短的情况。
M（Monetary): 消费金额，指的是在统计时间段内，消费者的累计消费金额。
在其他条件相同的情况下，R/F/M值具备如下特征：
我们基于RFM三个值，可以构建出一个三维的坐标体系，把用户分成8个层级，如下图所示：
用表格的形式展现更便于理解：
整理成这样的形式就比较好理解了，我们把所有的用户，从RFM三个维度切分成了8种不同的类型。
简单举几个例子来说明不同类型的用户，运营策略的不同。
1）针对【重要价值客户】
即RFM值均高的用户，我们通常称之为“至尊用户”，也是整个品牌用户群体中金字塔顶端的那一拨人，购买频率高，金额贡献高，而且频繁光顾店铺。
针对这波用户，运营的主要策略是：保持稳定增长，“至尊用户”的数量不要出现流失，并且能够不断从下层用户中往上输送新的“至尊用户”。很多公司都**针对这波用户出具一些特殊的权益，例如专属服务或“专属生日礼盒”等。
2）针对【重要挽留用户】
即很久没有进行复购，但之前的购物金额以及购物频率都很高的用户，如果放任不管，这波用户很可能随着时间的流逝而流失。
运营的主要策略是复购，可通过发放专属权益、针对性折扣、赠品等一系列的定向优惠形式使得这波用户重新光临店铺，对比拉新的成本，重新让这波用户再次回购的成本要低的多了。
3）针对【一般价值客户】
即RF值高但是M值小的用户，比较活跃但是成交金额比较低的用户。一般这类用户我们**称之为活跃用户，而且价格敏感型居多。
运营的主要策略是针对这波用户提高他们的客单价，可以通过定向搭配购、加钱换购等形式不断提高该波用户的客单价，商品购物篮推荐也是非常有用的。
这些运营策略仅供抛**引玉，不同公司业务模式不同，因此在定义【用户等级】以及主要的运营策略过程中，需要根据业务的实际情况进行拟定，不可直接照搬。
“道理我懂了，关键是怎么落地呢？”作为一名运营，尤其是公司有专业的数据分析团队以及CRM团队的运营来说，一般情况下，知道用户分层定义的逻辑就可以了。
日常工作中，运营做的更多的是，知道本公司的用户是如何分类的，每一种类型的定义是什么？针对不同的人群应该出具何种运营策略，这些运营策略实施的效果如何？并且如何不断优化运营策略……更多的重心是放在数据的应用上，对于模型的构建以及算法的应用，知道的不多。
而且通常情况下，一家公司的**模型构建完成后，在相当长的一段时间内不**有任何的调整（除非业务模式发生变化）。
那么问题来了。
公司规模比较小或者项目初期，公司没有CRM部门、没有数据分析部门，很多工作需要运营去张罗的时候，如何能够利用RFM模型对现有人群做分层管理呢？
不懂算法、不**Python、不**SQL、统计学也不太好的情况下，只是利用Excel，如何能够把手头上已有的用户人群来进行分层打标签呢？
这里和大家分享两种只用EXCEL就可以计算的方法。
在开始之前我们需要准备好分析用的源始数据 。
我们能够方便获得的是店铺在一定时间内的交易数据，包含：用户名、订单编号、订单金额、订单时间等字段的数据。我们利用交易数据可以提取到我们需要的RFM数据，利用简单的IF函数和数据透视表就可以实现了。
因为Excel表格太大拖不动的缘故，我选择了网站2018年-2020年，2年的交易数据，对他们进行处理后得到如下数据：
对**ID做了模糊化处理，一共得到19万条的用户数据，分别知道每一个**的RFM对应的值是多少。
在我们知道每一名用户对应的R/F/M值以后，我们需要知道RFM三个数值分别是多少才算是高 or 低？
1）方法一：四分位数法
① 四分位数**
四分位数是统计学分位数中的一种，把所有数值从低到高（或者从高到底）排列并分成四等份，处于三个分割点位置的数值就是四分位数。
一般表示为：
假设样本数据项数一共是N：
如果（N+1）恰好是4的倍数，则确定四分位数比较简单，如果不是4的倍数，相关位置的四分位数就应该是相邻两个数值的标志值的平均数。
权数的大小取决于两个数值距离的远近，距离越近权数越大，距离越远，权数越小，权数之和等于1。
例如一组样本数据如下所示：
N=10，则Q1的位置=11/4=2.75（12和196两个数值）；Q2的位置=5.5；Q3的位置=8.25。
则有：
在对应到RFM值的时候，我们可以定义为50%位置以下的数据值为【低】，即小于207.5的数值为低，50%位置以上的数据值为【高】，即大于207.5的数值为高。
也可以定义为75%位置以下的数据值为【低】，即小于240.75的数值为低，75%位置以上的数据值为【高】，即大于240.75的数值为高。
笔者的一般做法是：这两种划分位置都算一下，最后看结果，根据二八原则来确定选择哪一种高低分类更合理。
② 四分位数的应用
笔者直接按照“75%位置以下的数据值算低，75%以上的数据值算高”的方式来分别计算RFM三个数值的高低。
先算【R】值，因为R值越小越好，所以R值我们这边先按【倒序】排列，如此可得：
所以，R值≥273.75的值定性为低，R值＜273.75的值定性为高，即距离统计时间越短的用户，价值越高。
计算【F】值：
所以，F值≥129.5的值定性为高，F值＜129.5的值定性为低。
计算【M】值：
N=26387，Q3的位置=3（N+1)/4=19791，恰好是4的倍数，故Q3=第19791项=2018。所以M值≥2018的值定性为高，M值＜2018的值定性为低。
三个数值都计算好之后，整理如下：
如此，我们通过简单的IF函数就可以计算出每一名用户R值的属性了，如下图所示：
按照相同的方式为F值和M值作出高低定义，结果如下：
然后我们根据如下表格，对所有的用户进行分层：
就可以得到各个用户的标签了，如下图所示：
2）方法二：评分法
评分法就是先将RFM的价值按照从低到高划分为1-5分，然后对每一个RFM的值进行打分，这样每一个RFM值都在1-5分之间，然后分再分别算出RFM三个数值各自的平均值，高于平均值的定性为“高”，反之定性为“低”。
我们用同样的一组数据来实操给大家看一下。
我们先给RFM三个数值进行打分，结合业务的具体特点，笔者做出如下定义：
有人**问了，我怎么知道小于90天的就是5分呢？
这里推荐三种方式：
根据上表，我们对RFM三个数值分别进行打分，同样用的是IF公式，我们将**得到如下表格：
然后分别算出R值的平均值是1.78，F值的平均值是1.41，M值的平均值是1.96。
如果某一用户的R值大于整列的平均值，则定性为“高”，如果低于平均值，则定性为“低”，如下图所示：
之后的步骤就同方式一所介绍的一样了，根据RFM值高低的不同，将所有的用户分成8个类型即可。
这里介绍的两种方法是只要通过EXCEL的形式就可以计算出来的，针对规模较小，或者是没有数据分析部的公司。
而一般情况下，构建RFM模型常用的是K-means聚类算法来进行人群RFM值的定义与划分，但是K-means对于运营人员来说有些吃力了，多是数据分析工程师具备的技能了。
还是那句老话，运营通常情况下，**用就可以了，当然如果能知道这个模型的计算逻辑就更好了。
分享结束，欢迎交流~~~
本文由 @Trinity 原创发布于人人都是产品经理。未经许可，禁止转载
题图来自Unsplash，基于 CC0 协议
