用户运营实践-RFM模型

在用户运营体系里，常会涉及关于用户分层实现精细化运营。这个思维导图就是详细讲述了RFM模型的定义，分析原理，以及用户细分群体及实践案例。

用户运营实践-RFM模型

模型参数

R值：最近一次消费（Recency）

定义

指客户在店铺最近一次和上一次的消费时间间隔。 R值越小时间间隔越短，客户价值越高，对店铺的回购机制越有可能产生回应。

影响因素

1、店铺记忆强度

2、接触机会多少

3、回购周期

应用场景

1、决定接触策略

2、决定接触频次

3、决定刺激力度

F值：消费频率（Frequency）

定义

客户在固定时间内的购买次数（一般是1年）。 购买次数越多，也就是F的值越大，客户价值越高。

但受品类宽度影响，一般店铺在运营RFM模型时， 会把F值的时间范围去掉，替换成累计购买次数。

影响因素

1、品牌忠诚度

2、店铺熟悉度

3、客户会员等级

4、购买习惯养成

应用场景

1、决定资源投入

2、决定营销优先级

3、决定活动方案

M值：消费金额（Monetary）

定义

一段时间（通常是1年）内的消费金额。 消费金额越高，也就是M的值越大，用户价值越高。

但对于一般店铺的而言，产品价格带比较单一，用店铺的累计购买金额和平均客单价替代传统的M值能更好的体现客户消费金额的差异。

影响因素

1、消费能力

2、产品认可度

应用场景

1、决定推荐商品

2、决定折扣门槛

3、决定活动方案

分析结果

分析依据

针对每个维度设定一个阈值，将用户群体划分为二（高于阈值、低于阈值），阈值可以使用中位数、平均数等

R值高1，R值低0；F值高1，F值低0；M值高1，M值低0

划分用户群

重要价值客户（111）

权益维系：优质客户，需要保持，提供VIP服务

重点发展客户（101）

最容易转化成第一类客户的群体，想办法提高消费频率

重点保持客户（011）

流失挽回：主动和客户保持联系，提高复购率

重点挽留客户（001）

这种用户即将流失，要主动联系用户，调查清楚哪里出了问题，并想办法挽回

一般价值用户（110）

交易次数多，且最近有交易，需要挖掘

一般保持客户（010）

交易次数多，但是贡献不大，一般维持

一般发展客户（100）

最近有交易，接触的新客户，有推广价值

一般挽留用户（000）

相当于流失

使用步骤

1、建立表格，数据清洗

数据源：【用户名称】、【购买时间】、【购买产品数】、【消费金额】。

整理字段：【用户名称】、【R-距离上一次购买天数】、【F-一个时间段内消费频次】、【M-一个时间段内消费总金额】

2、建立评分参数，分别得出R值、F值、M值

按指标的价值打分。实际业务中，如何定义打分的范围，要根据具体的业务来灵活掌握，没有统一的标准。

整理字段：【指标】、【最大值】、【最小值】、【得分】、【选项】

3、判断R值、F值、M值的高与低

计算R值、F值、M值的平均值，再将其与平均值进行比较。 小于平均值则为0，大于平均值则为1。

4、 对照模型，得到客户分类结果

整理字段：【用户名称】、【用户类型】、【R类别】、【F类别】、【M类别】、【R得分】、【F得分】、【M得分】、【R】、【F】、【M】

5、针对不同用户，提供不同服务

1.重要价值客户

RFM都很高，我们要提供VIP服务

2.重要发展客户

消费频率低，这类客户是最容易转化成第一类客户的群体，一定要想办法提高他们的消费频率。

3.重要保持客户

最近一笔消费时间已经有些远了，所以必须要主动保持联系，提高复购。

4.重要挽留客户

这类客户消费频率低和最近消费时间间隔比较远，但是消费金额高，这种用户即将流失，要主动联系用户，调查问题出在哪里，想办法挽回。