編輯導讀：RFM分析，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。在應用RFM分析模型中，實際操作中會存在很多問題。本文作者圍繞RFM模型的搭建細節以及適用場景展開分析，希望對你有幫助。
「RFM分析，是用戶精細化運營中比較常見的分析方法了。」
今天和大家分享一下數據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勢；但同時也存在很多的問題。今天和大家一起探討。
一、什麼是RFM分析
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。反映了用戶對於產品、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（高於閾值、低於閾值），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繫，針對【重要保持客戶】做好客戶的流失挽回。
關於模型的大體含義和應用價值，就簡述一二，詳細的請繼續。
二、如何進行RFM建模
RFM模型的建立，總結起來一般可以分為以下幾步。
1. 關於原始數據
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，關於RFM模型的搭建，使用的原始數據很明確：訂單表交易表。
而且，使用的維度其實並不需要很複雜，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，這三個欄位的明細，就可以來搭建RFM的分析模型了。
當然，對於原始數據有一些數據清洗的工作，這裡就不贅述了。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。
2. 三個維度的加工計算
基於上面的原始訂單數據，下一步就是RFM三個維度的加工。這裡面，有很多細節的問題。
首先，關於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。
關於消費頻率的計算，必須有時間範圍的設定。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，這個範圍的設定和分析用戶的行業有很大關聯。比如快消品，統計用戶的幾個月的時間就夠了，但耐消品，顯然不是。統計一年的，可能用戶都沒有復購。
關於消費金額。這裡和消費頻率一樣，也是要有時間範圍設定的，道理也是一樣的。確定好了時間範圍，直接做sum就行，沒有太多的疑惑。
因此參數的設定，沒有固定的標準，要多結合自己所處的行業規律。加工完是這樣的表：
3. 閾值的劃分
加工好了基礎的三個維度的統計指標，接下來就是進行劃分閾值的確定。即確定基於多大的數值，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？最終還是要進行合併。
OK，我們還是按照正常8分層來講。我們看到上面的統計聚合表了，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，採取均值的方法。我個人是不太建議用均值作為閾值的。因為現實情況經常有一些異常值，會影響均值的計算。而數據清洗的時候很難都排掉異常。
第二種方法，是採取中位數（或者其他分位數，比如20%分位）的方法。這種方法直接將排序後的用戶按照數量進行劃分，中位數可以將人群一分為均等兩份，其他分位數也可以有合理的業務解釋：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。
關於偏態分布（以右偏為例）下，眾數、中位數、均值有以下關係：
除了用統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數值劃分為1~5的分數，然後求分數均值，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，現在需要先劃分成5段，那這5段該怎麼劃分才合理呢？其次，這種打分的意義在哪，還增加了計算複雜度。
如果是解決異常值或者分布不均的問題，用分位數的方法就好了，我並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於模型目標了。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。
4. 用戶分層計算
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，直接根據定好的三個閾值，判斷每個用戶屬於哪個區間，然後打標即可。不贅述了。
5. 模型優化
所謂的模型優化，主要還是在於閾值的調整。
要隨著最終劃分的人群以及相關的運營效果、活動規律，調整閾值的設定，最終達到一個最合理的劃分。
三、RFM模型的優缺點
本文開頭也提到了，RFM模型的應用廣泛，是有很大優點的，但缺點也是不少，現在來和大家一起探討一下。
1. 模型的優點
最大的優點，應該是數據的可獲得性。
目前在網際網路中，基本對於數據的收集做的還是比較完備了，採集了用戶的各種行為數據等，可以更好的進行用戶打標籤、分層的操作。但是在傳統行業中，沒有太多的行為數據，其實能用的數據比較有限。
但是，無論公司的數據做的有多不完備，也一定是有成交數據的（除非這個公司沒收入……）。只要有成交數據，就能進行RFM的分析，這是最大的優勢。而且，基於成交數據做的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，對於業務來講，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。
2. 模型的缺點
RFM模型其實是滯後性的分析模型，只有當用戶發生了購買行為後，才能進行RFM的分析。而且模型的前提假設就是用戶的前後行為是無差別的。
另外，使用該模型需要注意的是，不同行業的應用，是有差別的。
最典型的是就是快消品和耐消品的差別。對於耐消品而言，RFM分析並不是一個很行之有效的模型。例如冰箱的購買，用戶購買一臺冰箱後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，歡迎大家繼續關注~
本文由 @冬至 原創發布於人人都是產品經理，未經作者許可，禁止轉載。
題圖來自Unsplash，基於CC0協議。