RFM用户分层模型简介

RFM用户分层模型在实际商业活动的数据分析中运用的还是挺多的，主要用于用户、商品、门店等等的分群和细分层次，分群之后就可以进行定向精准营销和推广以及促活和留存等等的运营活动。

RFM是一种用户分层模型，就是从R、F、M三个维度来分析用户，其中
R（Recency）：最后1次消费距今天数，为「近度」维度；
F（Frequency）：一段时间内的消费频次，为「频度」维度；
M（Monetary）：一段时间内的消费金额，为「额度」维度。

这个是基本的RFM模型，实际应用的时候，我们可以进行改造，将其中的维度替换成我们关注的维度，比如换成“一段时间内发布的文章数”，“一段时间内浏览的文章数”等等，或者增加到4个维度，减少到2个维度，都是可以的。

通常来说，我们可以将每个维度分成两类，高与低，这样三个维度就会分成8类

 

这样分成的8类是有名字的

这里的高和低是怎么区分出来的呢？
在数据处理阶段，我们会先获取这样的用户数据

 

这里的RFM还都是实际值，这里我们需要注意的是这个R和FM是不一样的，R是距今天数，距离越近，即R值越小，是越好的，而F和M都是越大越好，它们的判断方向不一致，千万不要搞混了。至于怎样划分高和低，可以使用几种方式：

• 从业务角度判断
  以F为例，从业务角度出发，下单5次为临界值，F>5，则为高，F<=5则为低，这个可以结合产品定位，或者分析当前数据情况，寻找一个临界值。

• 中位数
  从当前数据纯统计的角度，找一个中位数，大于中位数的为高，小于等于为低

这只是两种思路，当我们不想分为高、低，想要分成3份，5份的时候，用户会分割的更细，按照实际的情况来选择就行了。有的时候，我们不想单纯的去划分高低，我们也可以选择打分制，可以直接根据数据区间，进行打分，比如1-5分，还可以根据RFM3个维度的权重关系，求一个总分，都是可以的。

R，表示的是用户活跃情况，也叫做活跃度，消费的时间点越近，活跃度越高；
F，表示用户的消费频次，也叫做忠诚度，来消费的次数越多，忠诚度也高些；
M，表示用户的消费金额，也叫做贡献度，花的钱越多，贡献度也越高。
单看M，我们还可以验证下二八定律，一般30%左右的用户贡献了80%的GMV。

几点注意

• 划分的太细，实际运营起来可能会复杂些，所以一开始分成8类就差不多了
• RFM这3个指标的量纲是不一样的，R的1和F的1和M的1都是不一样的，所以这3个指标之间无法直接比较，如果想要进行比较，我们可以对指标做标准化，然后再进行分类
• 分类后，我们可以对指标区间进行验证下

• 上面的方法都是偏统计的，我们可以使用聚类算法，以RFM三个指标为输入值直接做聚类，这样划分的可能会更加的精准些。
• 这个是之前从哪找到的一个图，主要是分群后如何运营的

• 对用户的分群，最好保证一段时间内稳定，可以采用1个月刷新一次

• RFM除了用在用户上，用在其他的维度也是可以的，比如我们货架、门店，都是一种参考角度，分群方式

参考资料：

https://www.jianshu.com/p/287a3b1123b2