如何进行用户分层-实现精细化运营？利用RFM用户价值模型.doc

/NUMPAGES10如何进行用户分层，实现精细化运营？利用RFM用户价值模型本文作者主要是分享一下RFM模型在用户分层精细化运营领域的应用方法和简单的实操案例。enjoy~在用户运营领域，有一个叫做RFM的词，相信很多人看到过，或许感觉比较专业就没有继续深入；或者有些文章涉及到了python等数据处理手段，望而却步；又或者因为这个词跟电商关系紧密，所以非电商的运营伙伴就选择了放弃学习。今天主要是分享一下RFM模型在用户分层精细化运营领域的应用方法和简单的实操案例。RFM模型更上一级隶属于用户价值模型，在用户价值模型中有两个方向：一个是基于用户生命周期，也就是时间和用户在产品内的成长路径进行的生命周期模型的搭建另一个就是基于用户关键行为进行的RFM模型的搭建，本次只说用户价值模型中的RFM模型RFM模型有哪些好处呢？当我们确定了RFM模型之后，从而可以决定针对哪些用户在发送短信时，加上前缀“尊敬的VIP用户”，哪些用户加上前缀“好久不见”。也可以帮助企业判断哪些用户有异动，是否有流失的预兆，从而增加相应的运营动作。用处之大，且看下文。关于RFM的科普大家可以自行在网络上搜索，这里不做赘述，先说一下三个字母的意思：R：最近一次消费（recency），代表用户距离当前最后一次消费的时间，当然是最近一次消费的时间距今越短越好，对我们来说更有价值，更可能有效的去触达他们。F：消费频次（frequency），用户在一段时间内，在产品内的消费频次，重点是我们对一段时间的定义。M：消费金额（monetary），代表用户的价值贡献。最早是将R、F、M每个方向定义5个档，5*5*5=125种用户分类，对大部分运营和产品来说，过于复杂，大家可以不用去了解为何分成5档这样的历史问题。现在我们已经把R、F、M每个方向定义为：高、低，两个方向，我们找出R、F、M的中值，R=最近一次消费，高于中值就是高，低于中值就是低，这样就是2*2*2=8种用户分类，如下图：所以，如果我们能够找出产品内用户隶属于以上8类中的哪一类，我们就可以针对性的制定运营策略。在做具体的RFM搭建之前，我再强调一次，RFM模型不仅适用于电商领域，其他领域同样适用。只要我们找出跟R、F、M相关的数据字段，做好字段的定义，证明这些字段是影响当前业务进展的最为关键的几个维度即可：R：最近一次登录时间、最近一次发帖时间、最近一次投资时间、最近一次观看时间F：浏览次数、发帖次数、评论次数M：充值金额、打赏金额、评论数、点赞数上面这些都是在其它领域对R、F、M的定义，具体要根据实际业务情况进行评估。比如你是豆瓣的运营负责人，发现过去一周，豆瓣图书版块的整体流量下降10%，同时，文学书籍类别下的分享帖环比下降5%，你要去分析原因，可以选取对应R、F、M的字段分别为：登录数、发帖数、互动数。图书版块整体流量下降，可以理解为这个版块的活跃下降，可以看下过去一周的登录数。文学书籍类别下的分享帖下降5%，可以看下过去一周的发帖数。同时，流量下降，我们可以看下是否因为帖子质量相对下降，导致用户的互动（评论、收藏等）下降，进而导致流量下降。下面我以自己抓取的1w条某导购平台的一套数据为例，带大家使用最简单的方法，进行这套数据中用户RFM模型的搭建，找出这8个类别的用户。RFM模型搭建步骤如下：抓取R、F、M三个维度下的原始数据定义R、F、M的评估模型与中值进行数据处理，获取R、F、M的值参照评估模型与中值，对用户进行分层针对不同层级用户指定运营策略（1）抓取R、F、M三个维度下的原始数据，我抓取是最近一次消费时间、消费频次、消费金额。上文已经说过，在做各自业务分析时，可以根据实际情况选取R、F、M的数据字段。下表是1w条数据中的13条进行展示：（2）我将1w条数据的最近一次消费时间、消费频次、消费金额分别用占比趋势图进行处理，以消费频次为例，如下图：大家通过图表，可以看出1w条数据中，关于消费频次出现了几个比较明显的断档，分别是：消费1次、消费2-5次、消费6-11次、消费12-17次、消费18次以上。所以，我把F值分为5档，F=1=消费1次，F=2=消费2-5次，F=3=消费6-11次，F=4=12-17次，F=5=18次以上。同理，用上图的方式，我找出了R值和M值5当分别对应的数据区间。R=1=2天，R=2=3-8天，R=3=9-14天，R=4=15-22天，R=5=23天以上；M=1=600元，M=2=601-