文丨丘岳才 触脉咨询数据分析师

日常运营中，我们经常会遇到类似场景：为什么我们精心策划的节日福利、新品上线、优惠券派发等营销活动，带来的转化率较低，效果不及预期？

不同的消费群体，消费需求是不一样的，例如老用户对新品上新较为关注、低消费群体对价格较为敏感、低活跃用户对付费开通VIP会员服务会无动于衷等。

对用户不加区分的直接进行营销活动，不仅无法带来理想中的效果，可能还会适得其反，引起用户的厌烦情绪，从而造成用户流失。

由此，我们会提出以下问题：

• 谁是我的忠诚用户？

• 哪些用户能给我带来更高的价值？

• 哪些用户正在或已经流失？

• 我必须召回哪些用户？

• 当前的营销活动应该覆盖哪些用户？

为解决此类问题，我们向大家介绍一种常用的用户细分模型——RFM模型，并通过具体案例展示如何搭建RFM模型。

RFM模型是什么？

RFM模型是衡量用户价值和用户创利能力的重要工具和手段。说白了，你通过R（近期购买时间）、F（购买的频率）、M（消费金额）这三项指标，就能对用户的价值情况一目了然。

R值：最近一次消费（Recency）

用户最近一次消费距当前的时间间隔，理论上R值越小（即上次消费时间越接近当前）的用户，回购的可能性越大，我们越容易维系与其的关系。

F值：消费频率（Frequency）

用户在某段时间内的购买次数，F值越大的用户，其购买频率越高，活跃度也就越高。

M值：消费金额（Monetary）

用户在某段时间内的累计消费金额，消费金额是营销的黄金指标，直接反应用户的对企业利润的贡献。

根据R、F、M三个值各自高于或不高于平均分的情况，可以细分出2×2×2共8组用户。对于我们来说，理想的用户状态是用户消费时间间隔(R)越短越好，消费频率(F)越高越好，消费金额(M)越大越好，这类用户可以认为是最具价值的用户。以1表示得分优于均值，以0表示得分劣于均值，划分的8组用户类型如下：

如何利用手中的原始数据搭建RFM模型？

下面我们将通过具体案例介绍如何利用Power BI逐步搭建RFM用户价值分析模型，以便大家熟悉其原理。至于工具的选择，大家也可借助SPSS、Tableau、Matble等，甚至是最基础的Excel，均可搭建出RFM模型。

1）获取源数据

从CRM系统或业务数据库中导出用户订单信息表，最简单的只需要4个字段：用户ID，最近一次消费时间、消费频率、累计消费金额。以某电商公司数据为例，导出2019/01/01至2019/12/31日的订单数据，然后将数据导入Power BI中。

以2020/01/01为参照点时间，计算用户最近一次消费距参照点的天数间隔，得到R值：

2）R、F、M值评分

确定RFM的分段和对应分段的分值，按照评分表计算用户的得分情况。实际情况中，RFM值具体分段应根据自身业务情况出发，或通过四分位数、加权等方法制定更合理的分段和分值。本次评分示例如下：

注意：R值表示上次交易时间距当前的时间间隔，故R值越小，得分越高，相反F值和M值越大，得分越高。

依照评分表，我们可以依次计算出各用户对应的RFM得分：

3）划分用户价值类型

回到前文下图示，我们需要判断RFM值高于还是低于平均分的情况，以判断用户属于哪个价值类型。

我们以“1”表示得分高于平均分，以“0”表示得分不高于平均分，依次对RFM值进行计算，得到如下结果：

为方便观察，我们再将每个用户对应的分类名称加上：

到此，我们已经顺利的划分了每个用户所属的价值类型。

4）数据可视化

字不如表，表不如图。在划分好用户类型后，我们可以继续创建可视化报表，以便清晰的查看我们目前的用户群体分布。

根据该条形图，有了客观的数据依据，我们就可以准确地回答本文开头所提出的问题了，并据此作出我们的业务决策。

理解RFM模型的原理之后，搭建出RFM模型并非难事。

更高阶的来看，我们可以使用Power BI（或其他交互式数据化工具）直接连接到业务数据库，获取更多的源数据，关联年龄、性别、地域等用户个人信息，通过报表交互快速查看譬如忠诚用户的性别分布、流失用户的地域分布等指标，从多维度细分我们的用户情况。

再往上，我们还可以设置RFM参数、时间参数切片器，直接在报表页面上调整日期范围、评分段和时间参照点，从而实现不同时间下的RFM模型建立自动化。

什么场景下使用RFM模型？

RFM模型的最终目的是为了区分用户的价值类型，并在此用户细分的基础上做到精细化运营，把有限的资源正确运用到相对应的用户上，实现投资回报率最大化。

RFM模型可帮助提高客户生命周期价值

基于实际的交易历史，RFM模型是我们快速了解当前客户价值的方法。在更好地了解细分受众群体的情况下，通过改善业务，促使用户从流失用户→普通用户→忠诚用户转变。

通过RFM模型最大程度上降低营销成本并提高回报率

将营销活动针对那些更有可能对活动做出响应的客户，而非全部用户，从而降低营销成本成本，也提过了转化率。

通过RFM模型提高用户忠诚度

根据帕累托法则（即二八定律），20%的用户会给我们带来80%的贡献。针对高价值用户，我们可以通过感谢信、节日专属福利等方式，增进与其的联系，加强用户归属感。

通过RFM模型改善用户流失

处于休眠状态或流失边缘的用户是值得我们特别注意的，我们需要识别出这部分用户，并通过相应的措施，如个性化电子邮件、短信，亦或是优惠券、折扣商品等，及时将用户唤回。

RFM模型的灵活应用

RFM模型诞生于传统销售行业，是量化客户行为的简单框架，目前也普遍应用于互联网、电信等行业中。运用该模型细分我们的用户群体时，不应该仅仅局限在消费时间、消费次数、消费金额这三个因素中，可以扩展RFM模型进行相应的变体。

对于新闻类网站：

对于BBS论坛类网站：

不同的平台，对应着不同类型的用户群体，对应的R、F、M的具体意义也就不一样。根据笔者的业务分析经验，建议各位要结合自己的实际业务来选取关键数据指标进行分析，协助运营同事更深入地了解用户行为，为其营销策略提供依据，实现数据驱动运营。