01 RFM模型的底層邏輯
頻次高低，可以衡量使用者偏好程度。這是一條基本原則，比如：
-
（R）每天吃蘋果的，比半年吃一次的，更偏好蘋果
-
（M）半年吃50斤的，比半年吃2兩的，更偏好蘋果
-
（F）半年吃100次的，比半年吃1次的人，更偏好蘋果
所以，依靠統計RFM，可以區分出輕中重度使用者，從而指導業務工作。
但是！RFM有侷限性，一個人半年吃50斤蘋果，原因很多樣：
1、可能因為愛吃（真正的“偏好”）
2、也可能僅僅因為窮（有錢了，需求就變了）
3、也可能蘋果便宜，賣多了（促銷影響）
所以，僅靠RFM，只能識別使用者，還需要進一步分析，才能做出有價值的分類。
02 RFM模型的計算
在企業中，RFM一般用於統計使用者消費行為
R（recency）最後一次消費距今多久
F（frequency）最近1段時間內消費頻率
M（monetary）最近1段時間內累計消費金額
統計後形式如下表所示，每個使用者有對應的RFM指標數值。
這裡有5個要點注意：
1、RFM以使用者ID為單位進行統計，如果沒記錄使用者ID，只有訂單小票的流水號，則沒法用這個模型，至少得有個手機號做ID。
2、F值統計規則要看業務場景，如果一天內可能多筆、反覆交易，可以統計有交易天數，如果一個天之內一般只交易一筆，或者好多天一筆，可以統計筆數。
3、最近1段時間，到底看多久？和業務特點有關係。原則上，越高頻的業務，看得時間越短，比如都是零售，如果是生鮮可以以周為單位統計（人每天要吃飯）如果是日雜可以以月為單位統計。
4、新使用者因為時間太短（比如註冊不足1周/不足1個月）則單獨統計，RFM適用於有一定時間（比如3個月以上）的老使用者。
5、R的分段原理同上，越高頻的業務，R分段越短。如果是生鮮可能以天來看。越低頻的業務，比如理財、貸款，可能以月甚至季度為單位來看。
03 RFM模型的分類
基於RFM三個指標，可以進一步做分類。站在業務的角度，R值的意義就是喚醒。R越遠，越需要喚醒，且喚醒難度越大，所以R一般單獨看。M+F則做進一步矩陣分類。
比如在零售/電商業務中，M值高的使用者一般後續購買動力也高，因此要重點提升其F值，把他先留住。而F高、M低的使用者則意味著機會，可以嘗試做增量/交叉營銷，以提升M。因此實操的時候，一般如下分類：
04 RFM模型的使用方式
在RFM做了分類的基礎上，進一步考慮使用者購買品類、折扣等因素，才可以推匯出可落地的業務建議。
比如，即使使用者RFM值完全一樣：
-
都是購買了3000元，買1臺空調VS買1件衣服的不一樣 -
都是購買了3000元衣服，一次買5件上衣和一次買整套穿搭的不一樣 -
都是購買了3000元，原價購買3000與打8折下實際花3000不一樣
因此，一般對M或F值較高的使用者群體，會進一步分群。分群時，考慮自己公司的產品特點，區分折扣率、區分對新品/搭配的偏好。從而推導可落地的影響策略。
至於MF值較低的使用者，一般與我司還沒有建立啥感情，直接用當季新品、大折扣商品、爆款產品、引流產品輪番轟炸，試著提升M、F以後再做分群（如下圖）。
05 RFM的擴充套件應用
當你理解了RFM的原理之後，你會發現它非常好用，除了零售消費外，只要符合以下條件的，都可以用RFM模型：
1、使用者行為頻率很高
2、使用者之間行為差異很大
3、需要考察一段時間內累計行為
4、重度使用者有型別偏好差異
比如網際網路行業的，內容型產品（短影片、小說、社群論壇）、工具型產品（線上文件、OA等SAAS產品）和社交產品。比如逛知乎，使用者瀏覽行為非常多，且看一篇文章時間很短，轉發點贊也都是一瞬間的事。此時可以仿效RFM模型，構造一個分析使用者行為的模型。
比如統計：
R（recency）最後一次登入距今多久
F（frequency）最近1周內登入頻率
Q（quantity）最近1周內累計登入時長
此時，就可以區分出輕中重度使用者，並且根據R值大小，制定召回計劃。我們姑且管它叫RFQ模型好了（如下圖）。
同RFM的弱點一樣，RFQ並沒有考慮使用者的內容型別偏好，因此需要結合內容型別來看。特別是針對F、Q較高的使用者，要關注其是否對某一個垂直內容/特殊功能有重度需求。對於FQ都很低的使用者，處理原理同樣是：用爆款內容去轟炸，先撩起興趣再說。
來源 | 接地氣的陳老師（ID：gh_abf29df6ada8）
作者 | 接地氣的陳老師 ; 編輯 | 荔枝
內容僅代表作者獨立觀點，不代表早讀課立場