01

RFM的概念

RFM分层亦称RFM分群，指的是一种衡量顾客或用户价值的模型。R、F、M分别代表Recency(最近一次消费时间)、Frequency(消费频率)、Monetary Value(消费金额)，它从三个维度将用户分为八类，分别采取针对性的运营策略。

02

RFM的计算

下面以某母婴店的例子来看RFM具体如何计算，分为以下几个步骤：

Step 1，采集R、F、M数据

在采集数据的时候，我们要先明确两件事：一是采集的时间区间，二是用户对象。

时间区间指的就是采集距当前时点多长时间的数据。

用户对象是指要分析哪一部分用户，还是说全体用户，根据实际需要。

在本例中，采集的是近12个月以来的全量用户数据，数据中包含3个字段，即用户ID——用来区分用户个体，消费时间——指产生订单的具体日期，消费金额——指单次消费金额，原始数据样本如下表所示：

Step 2，确定R、F、M的评分模型

采集了基础数据后，我们就可以来衡量单个用户在某一维度上的数据表现是高，还是低?比如，表中的340.40元算是什么水平?如果没有参照值，就无法给出结论。

那这个高、低是和谁比呢?是与抽取出来的这个数据样本内部进行对比，比如样本的中心水平的消费金额是300元，那340.4元就是“高”。

这个“中心水平”怎么计算呢?比较常用的方法就是等频和等宽进行切分，比如计算消费金额的平均值。但平均值只适合于均类数据(例如某个班上男生的身高数据，离散程度没有那么大)，但对于一些不规则数据，平均值的代表性就会比较差。比如该店有4位用户，消费金额分别为3000元、700元、600元、20元，从直觉上我们就知道前3位用户是重要用户，但如果按平均值(1080元)来评判的话只有第1位用户才高过平均水平——属于重要用户，这显然是不合理的。也可以考虑用中位数，它比平均值会更合理一点，上面4位用户消费金额的中位数是650元，以这个值作为参照，前2位用户是重要用户，这个结果比用平均值好一点，但仍然不是太理想。比较好的做法是，通过聚类算法分别找到R、F、M数据的中心点。或者，用简化的建模方法来确定。

下面，我们重点介绍简化的建模方法，它通过Excel工具即可完成。

怎么做呢?我们先要结合实际业务场景和数据，分别对R、F、M定性评分(1-5分)：

对于R，我们经过分析用户消费数据发现，一般来讲用户注册后会在20天内下单，那么20天是一个比较重要的周期;大部分用户在50天内完成第2次消费，大部分在80天内完成第3次消费，大部分在150天内完成第4次消费。于是，我们可以将距离当前0-20天内消费的用户评为5分(距当前越近得分越高)，将20-50天内消费的用户评为4分，50-80天的为3分，80-150天的为2分，150天以上的为1分。

对于F，我们可以将近12个月中消费5次(含)以上的评为5分，消费4次的4分…消费1次的1分。

对于M，我们分析12个月的消费数据，计算出平均每次消费金额为367元，那么，对应F次数，我们也可以按照5个区间进行评分：367元(含)以内为1分，367-734元为2分，734-1101元为3分，1101-1468元为4分，1468元以上为5分。

通过上面的定性、定量相结合的方法，我们就建立了一个简单的RFM评估模型。

Step 3，计算R、F、M的实际得分

按照上面的评分模型，我们用Excel表可以非常方便地计算出每位用户的R、F、M上的得分(其中B列的R值为距离当前最近一次的消费时间间隔)，如表所示：

上表中，每一行代表一位用户的数据。R表示最近一次消费时间距离当前的天数，如果一位用户最近12个月里有多次消费记录，则取离得最近的那次消费，R则为该时间点与当前时间点的差值，用天来表示;F表示最近12个月里共有多少次消费;M表示最近12个月里的消费总金额，注意这里是总金额而非某单次的消费金额。

Step 4，对R、F、M进行高低比较

接下来 ，我们分别对每位用户的R、F、M得分与平均值进行比较，比如将所有用户的R值得分求和再除以用户总数，得到平均值是2.3，那么低于这个值，比较结果就是“低”，高于这个值，结果就是“高”。

由于我们已经将分值按业务实际情况分成了5档，因而此处的基准取平均值或中值都是合适的。

以上，就是完整的RFM计算步骤。

来源：SMEI官方

以上是关于用户增长师的相关信息，以供大家查看了解。想要了解更多用户增长师信息，第一时间了解用户增长师相关资讯，敬请关注唯学网用户增长师栏目，如有任何疑问也可在线留言，小编会为您在第一时间解答!