手把手教你如何使用RFM進行用戶分群

編輯導語：很多產品中都會有用戶分群，通過對用戶的分群，方便我們能夠更好的尋找最關鍵的核心用戶、精細化設計產品、針對化運營；本文作者分享了關于如何使用RFM進行用戶分群，我們一起來了解一下。

很多產品中我們都能看到用戶分群，比如最明顯的會員體系，就是將用戶分為了非會員和會員兩個群體。

又比如我們現在經常聽到的AARRR模型，也可以說是一種分群方式。那么，什么是用戶分群？

一、什么是用戶分群

用戶分群，簡單的說就是按照某些維度，可以是一個或者多個維度交集，按照一定的規則將用戶劃分成不同的群體。例如按照年齡劃分：

用戶分群可以分成2種，明分群和暗分群。

明分群指的是分群規則和對應群體的運營策略都是公開的，目的是利用更高群體的優質服務來吸引用戶進行升級。

比如說會員體系，所有產品的會員規則和每一個級別的會員優惠都是明確公開的，商家就是使用更優質的服務來吸引用戶不斷升級會員等級。

相反，暗分群指的是分群規則和對應的運營策略都是不透明的，用戶并不知道自己被分為了什么群體。

比如價格歧視策略，所謂的大數據殺熟，就屬于這一類。

除了用戶分群，我們還經常聽到另一個概念：用戶分層。這兩者有什么區別嗎？

簡單來說，用戶分群，不同的群體之間可能是平行關系，也可能是遞進關系，也可能是其他關系。

而用戶分層，是一種特殊的用戶分群，不同的群體之間存在遞進關系。

例如，如果按照性別，可以將用戶劃分為男女兩個群體，這兩個群體之間是平行關系，所以這是分群而不是分層。

而如果我們按照AARRR模型將用戶分成5個群體，那么這就是用戶分層，因為AARRR五個群體之間是存在遞進關系的。

同樣，會員體系也是一種用戶分層。

所以，用戶分層是一種特殊的用戶分群方式。

那么，為什么要進行用戶分群呢？

隨著我們用戶規模的不斷擴大，單一的運營策略不再能滿足所有用戶的需求。

例如適用價格敏感型用戶的優惠運營策略，就不一定適用于注重高品質的用戶。

另外，用戶群體大了以后，我們會發現其中20%的用戶貢獻了80%的價值，而公司的資源（包括人力、財力等）是有限的，不可能照顧到所有的用戶，所以就需要篩選出高價值的20%用戶進行重點運營。

二、如何進行用戶分群

常用的用戶分群方法，包括用戶價值區隔分層、用戶身份區隔、用戶需求區隔和AARRR模型。

用戶價值區隔分層，又分為兩個維度：第一，依靠用戶生命周期定義對用戶進行價值區隔；第二，依靠用戶關鍵行為對用戶進行價值區隔。

而今天我們重點要給大家分享的RFM模型，就屬于依靠用戶關鍵行為對用戶進行價值區隔的方法。（4種方法助你輕松完成用戶分層）

RFM分別代表用戶三種關鍵行為：

• R（Recency），距離最近一次交易，衡量用戶的流失情況
• F（Frequency），交易頻次，衡量用戶的忠誠度
• M（Monetary），交易金額，衡量用戶的貢獻度

RFM三個值只分為高低兩種情況，結合起來就是8中情況：

使用RFM模型的一般步驟：

下面，用一個實例來分享下具體的操作方法。

三、RFM分群實例

例如，從網上獲取了40多萬條電商訂單數據，時間是2010年12月1日到2011年12月9日。

1. R值

首先我們計算R值，R值指的是用戶距離最近的一次交易，使用最近一次購買日期到現在時間的差距來衡量。

所以，第一步：我們要找出每個用戶，最近一次購買的日期

選擇所有訂單數據，插入數據透視表，行選擇客戶，列選擇購買日期，然后設置購買日期匯總方式為最大值（因為最近的日期肯定是最大的）。

找出所有用戶最近一次購買日期，下一步計算這些日期距今的時間間隔。

使用公式：DAYS360（開始日期，結束日期），計算出時間間隔

然后，我們要選擇一個中值，時間間隔小于中值的用戶表示R值為高，大于中值的用戶表示R值為低。

那我們如何選擇中值呢？一般有幾種常見的方法：

• 所有數據的平均值或中值
• 基于一個業務節點的重要值，例如投資理財類的R值，一般是1個月，因為發工資才有錢投資
• 以二八法則進行推算，80%的用戶集中在低頻低金額區間，20%的用戶集中在高頻高金額區間
• Means聚類算法，這個如果數據分析師小姐姐懂得話，就最好了

這里，我們使用20/80法則，發現使用眾數作為中值更好。于是我們使用眾數和如下公式，為每個客戶的R值進行高低標記：=IF(C2<30,”高”,”低”)。

順便分享下，計算眾數的公式為：=MODE()；計算中位數的公式為：=MEDIAN()

2. F值

F值指的是用戶的購買頻次，即在此期間用戶下了多少單，所以我們只需要統計每個用戶的去重訂單數即可。

同樣可以使用數據透視表來實現。

行使用客戶ID，列使用訂單號進行計數。

這里我發現了一個WPS很狗的地方，WPS不提供訂單號去重計數，這個在excel里是支持的。。。

計算出每個用戶的F值后，我們發現，F值的眾數和最小值是一樣的，并且中位數小于平均值，說明有幾個很大的數值拉高了平均值。

為了使數據盡量符合20/80法則，我們選擇5（接近平均值）作為F值的比較中值。

3. M值

看原始數據發現，沒有訂單金額的數據，所以首先，要計算出每一筆訂單的金額。

然后同樣使用數據透視表，統計每個用戶在此時間段內的購買總金額

然后，我們計算出訂單金額的平均值，眾數和中位數，發現平均值遠大于中位數，這表明其中存在一些很大的訂單金額數據，拉高了平均值，所以我們直接使用平均值作為F的中值即可。

這樣，我們就把每個用戶的RFM三個值的高低取值確定了。

通過統計人數后，我們得到：

四、RFM運營策略

最后，只需要根據具體的業務情況和得到的分群，針對每一個分群制定特定的運營策略即可。

對于重要價值用戶，我們是維持和留存為主，是我們運營的重點。對于重要發展用戶，要想方設法提升其交易頻次。

對于重要保持用戶，要防止其流失掉，重要挽回用戶就需要進行重點召回。

一般價值用戶，這些可能是價格敏感型的用戶，需要挖掘這些用戶感興趣的高單價商品品類，刺激他們消費更高單價的商品。

一般發展用戶一般是新來的用戶，我們需要挖掘他們的需求，給他們推薦感興趣的商品，提高消費頻次。

一般保持用戶，需要采取措施召回，但是力度不用太大，看公司具體的資源來定。

一般挽留用戶，如果公司精力不夠，可以放棄治療。

RFM方法的核心邏輯是找出影響用戶價值高低的關鍵行為，然后進行交叉分析和用戶劃分。所以RFM模型并不一定就是上述的含義，在不同領域可以是不同的定義。例如：

• 金融領域，R代表最近一次投資的時間，F代表投資頻率，M代表投資金額；
• 直播領域，R代表最近一次觀看直播的時間，F代表觀看頻次，M代表觀看總時長；
• 游戲領域，R代表最近一次玩游戲的時間，F代表游戲頻次，M代表游戲時長。還可以定義為，R代表最近一次游戲充值的時間，F代表充值頻率，M代表充值金額。

RFM只是代表一種分層的思維方式，任何產品，我們都可以定義影響用戶的關鍵行為，然后定義出這些行為的指標，再對這些指標進行交叉分析，來完成對用戶的分層。

五、總結

最后我們來總結一下：

用戶分群是按照某些維度將用戶分為不同的群體，旨在對用戶進行精細化運營。用戶分層是一種具有遞進關系的用戶分群。

• 用戶分群的方式一般有四種：用戶價值分群，用戶身份分群、用戶需求分群以及AARRR模型。
• 其中RFM是用戶價值分群中非常典型的根據用戶關鍵行為進行分群的方法。R是最近一次交易時間，F是交易頻次，M是交易金額，以上都需要限定在一段時間內。RFM只有高低兩種情況，三者兩兩交叉將用戶分為8個群體
• RFM模型分為四個步驟：拿到數據，計算RFM值，選取中值確定RFM高低，分群，制定運營策略
• RFM中值的選取方式：選取平均值、使用20/80法則，means聚類算法，或根據具體的業務來定

 

作者：Jarvan；公眾號：產品叨比叨

本文由 @Jarvan 原創發布于人人都是產品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議