1. RFM模型简介

RFM 模型是用户运营场景中常用的一种用户分层模型,即通过用户的最近消费时间(R)、消费频次(F)、消费金额(M)来进行用户分层的划分。 

R(近度):最近一次消费(Recency),最近一次消费是指用户上一次发生购买行为的时间,也就是最近一次购买距离今天的天数。 理论上来说,上一次消费时间越近的用户是越优质的用户,该部分用户与企业的关系更加紧密,更加容易触达;距离当前上一次消费越远的用户,越有流失的风险。

F(频度):消费频率(Frequency),消费频率是指用户在限定期间内发生购买行为的次数。 可以说最常购买的用户,是满意度最高的用户,也是忠诚度较高的用户。提升用户的购买频率意味着提高用户终身价值的贡献。

M(额度):消费金额(Monetary),消费金额是指用户购买商品支付的订单金额。 消费金额是用户贡献的最直接的体现,我们所做的所有运营活动都是为了提升用户的消费金额。 

2. 分析价值

  1. 客户细分。帮助营销人员实现客户细分、识别有值客户 
  2. 衡量标准。衡量客户价值和客户利润创收能力
  3. 个性化服务。提供个性化的沟通和营销服务 
  4. 决策支持。为更多的营销决策提供有力支持 


3. RFM分析界面功能简介

3.1. 规则配置

3.1.1. 人群选择

  1. 支持按照已有分群来进行圈选
  2. 支持按照全部用户来进行圈选 

3.1.2. 预估人数

选择人群后,可以点击右侧预估人数,查看人群用户数,及占全部用户的比例。

3.1.3. 定义指标

支持按照事件或标签来进行定义指标

  1. 事件定义时:
    1. R 支持选择首次发生或末次发生事件距离当前的天数,如:在近一周内最后一次支付订单距离当前日期的天数。
    2. F 支持选择一定时间范围内发生某个事件的次数或天数,如:在近一周内发生支付订单的次数。
    3. M 支持选择某个事件的事件属性的总和、均值、最大值、最小值,如:近一周内发生支付订单的订单金额的总和。
  2. 标签定义时,R 支持选择数值型 和 日期型标签;F、M 均只支持数值型标签 

3.1.4. 分层方式

  1. R 支持 ≤(平均值、固定值) or 升序 TOP 前(名、百分比)
  2. F、M 支持 >=(平均值、固定值) or 降序 TOP 前(名、百分比) 

  • 分层参考值

    统计目标用户的 R、F、M 的平均值、最大值、最小值、20 分位值、40 分位值、60 分位值、80 分位值,为设置 RFM 分层提供参考

    注:只统计 R、F、M 同时有值的用户


3.1.5. 分层名称

根据R、F、M高低的组合形成用户细分,默认给出分层名称。可以自定义用户分层名称。

分层名称RFM
高价值客户
重点保持客户
重点发展客户
重点挽留客户
一般价值客户
一般保持客户
一般发展客户
一般挽留客户

3.2. 分析结果

RFM分析结果包含:

RFM 覆盖用户数:即R、F、M 均有值的用户数。

R 的人均值:RFM 覆盖用户中的 R 人均值(R 总和/ RFM 覆盖用户数)

F 的总次数:RFM 覆盖用户中的 F 总次数

F 的人均值:RFM 覆盖用户中的 F 人均值(F 总次数/RFM 覆盖用户数)

M 的总和:RFM 覆盖用户中的 M 总和

M 的人均值:RFM 覆盖用户中的 M 人均值(M 总和/RFM 覆盖用户数)

未知用户数:即 R、F、M 有缺失值的用户数 

各项分布包含:

1.RFM 分布 :RFM 分析模型中各分层的人数分布情况

2.R/F/M 分布:RFM 覆盖用户中,按 R/F/M 区间值的人数分布情况

3.RF/RM/FM 分布:RFM 覆盖用户中,按 RF/RM/FM 区间值的人数分布情况 

3.3. 其他应用

3.3.1. 支持导出

支持将分析结果导出为csv或excel文件

3.3.2. 支持一键生成标签

如需后续在其他分析或者推送场景中应用到人群细分,可将当前分析规则一键带入到 RFM 标签中并实现快速创建 

3.3.3. 支持人群下钻分析

扩展应用人群细分后的结果,均支持点击对应的用户数,进行查看用户画像、用户列表、保存为用户分群、下载用户列表的操作。

3.4. Q&A

1. RFM 覆盖人群的计算规则是?

答:使用 R、F、M 均有值的用户作为覆盖用户合计

2.未知用户数指的是?

答:R、F、M 至少有一项无值的用户合计

3.怎样去划分 RFM 分层方式比较合理?

答:没有固定最优的用户分层方式,一般要根据自己业务的实际情况来定

4.RFM 分析的分层结果保存到标签吗?

答:如账号有创建标签的权限,可将 RFM 分析规则一键创建成 RFM 标签。