什么是 RFM 模型

RFM 模型是指通过一段时间内用户最近一次消费 Recency、用户消费频次 Frequency、用户消费总额 Monetray 三个维度的数据来衡量用户价值的模型。

背后的原理在于，最近一次消费 R 越近、消费频次 F 越高、消费总金额 M 越大，用户再次消费的可能性越高，用户价值就更高。

RFM 模型，适用于消费周期较短、复购较高的行业，比如快消品、直播 / 游戏娱乐行业，并且也适用于活跃价值的分析，比如直播活跃度的 RFM 模型：最近上线时间 R、进入直播间数量 F、观看直播总时长 M。

然后根据 RFM 模型，可以将用户划分为八个用户群组，对不同的群组做精细化的运营。

RFM 模型数据处理

使用 RFM 模型的第一步，需要获取源数据并进行处理，一般会选择一个月或者三个月的数据，具体周期取决于具体业务。数据格式如下：

获取到的数据如果是原始的一条条消费记录数据，可以通过 Excel 的数据透视表求和、计数、最大值功能，处理成每个用户的最近消费时间、消费频次、消费总金额。

RFM 用户分组

处理好数据之后，就可以开始进行用户分组处理了。用户分组首先需要定义出判断 RFM 三个指标高低的基准值，这样才能将用户分为 2 x 2 x 2 = 8 个群组。

基准值的定义一般取决于具体业务，常用的方法步骤如下：

1、Excel 插入 RFM 值和对应人数占比的透视表

以最近消费时间 R 为例，这样就能得到不同最近消费距今天数 R 对应的人数占比了，如图所示，最近消费距今天数 R 为 1 的用户占据了 11.68% 的比例。

2、绘制最近消费距今天数 R 与人数占比的折线图

需要将透视表的数据复制出来再插入折线图，这样根据最近消费距今天数 R 与人数占比的折线图，就很容易找到一些趋势突变的临界值。

比如图中 R = 10 时，就是一个比较大的突变点，再结合实际业务考虑，最近消费距今天数 < 10 就可以考虑作为最近消费距今天数 R 的基准值，即 R < 10 认为在 RFM 模型中 R 算正象限 。

网上还有评分法划定基准值，会更复杂一点，具体还是根据实际业务来结合判断了。就比如图中实际数据来源为一个直播项目，会觉得 R <= 7 作为基准值可能会更合理一点，即一周内有消费过，认为是高价值。

消费频次 F 基准值的定义步骤也是相同的，至于消费总金额 M 基准值可能更多会根据二八法则来定义，即 20% 的人贡献了 80% 的金额。这种方法就更简单了，将上面的数据按照消费总额倒序排列，第 20% 个人的消费总额就可以作为消费总额 M 的基准值。

这样我们就能定义好 RFM 三个指标的基准值了，接下来就可以根据基准值计算每个用户属于哪个群组以及每个群组的人数占比了。

计算每个用户属于哪个群组可以使用 Excel 的条件公式：

= if ( A2<8 & B2>9 & C2>200 , 1 , 0 )

通过三个指标和基准值比较，判断是否属于某个群组，1 代表属于，0 代表不属于。

至于每个群组的人数占比也可以通过 Excel 透视表的分组功能实现，建完透视表之后，对 RFM 字段右键进行分组处理，就能自动分成 8 个群组。

RFM 用户群组策略

数据处理好了，用户群组也分好了，最后这数据怎么用呢？

主要会分为两个方面，一是，基于现状数据反应的问题洞察，制定运营优先级，然后才是各个目标群体用户的精细化运营策略和计划。

从上面的数据来看，可以发现几个问题（还需要结合行业情况和具体业务）：

1、M 高的用户数量过少，整体不到 15% 的用户贡献 80% 的收入，这意味着高消费群体的流失压力会更大

2、整体用户的构成非常不健康，超过 50% 的用户可能有流失的风险

3、最近的新增付费可能做得不错，一般发展客户占到了 25% ，但是用户消费习惯、忠诚度的培养不够，一般价值客户仅 2.6%

根据这些问题的洞察，目前运营的优先级最高的可能是用户流失的处理和用户消费提频，这两个方向可能是相同的问题，那就是用户没有留下来更高频消费的原因是什么？

当然这些问题洞察需要结合具体业务和行业情况，具体分析。

然后是针对每个群体的运营策略

最后，在运用 RFM 模型需要记住一个点，这只是一个构建用户价值模型的工具，最终还是需要对用户的理解、对行业的把握，才能做好用户运营。