用户分層基礎方法：RFM分層實踐

一、前言

分層是用户運營最基礎的底層思維。為什麼要做分層？簡單來説，分層是為了區別對待不同的用户羣體。為什要區別對待？因為不同的用户羣體價值不同、需求不同、驅動力不同等等。

這些不同決定了想要提升用户羣體的價值，必須對症下藥。

同時，分層也是精細化運營的一種體現，通過優化資源配置提升運營的ROI。關於用户分層的方法有很多，這裏和大家分享的是一個比較基礎同時又廣為流傳的方法——RFM分層模型。

二、RFM模型分析步驟

RFM最早在20世紀應用於美國黃頁業務，直到今天在互聯網中也被廣泛應用。其是基於用户歷史消費數據，以三維座標系進行用户價值分析的分層方法。基礎的分析步驟如下。

拉取用户歷史消費數據，並計算出每個用户對應的R、F、M數值，分別為：

• Recency：最近一次消費時間間隔；
• Frequency：消費頻率；
• Monetary：消費金額。

1）將所有用户的R、F、M三個數值分別進行梯度劃分，通常每個指標被劃分成5個梯度，對應5個分值。

2）梯度的劃分方法可參考兩種：

1. 將數值5等分，適用於數據曲線較為平緩的情況；
2. 通常數據曲線都具有長尾特徵，可依據數據特徵將R、F、M分別劃分成5個區間，比如通過散點圖進行劃分或通過佔比圖尋找曲線的明顯斷檔處進行劃分。

3）依據上述分值梯度，計算每個用户的R、F、M三個指標對應的分值。

4）計算所有用户的R、F、M三個指標的均值。

5）將用户的R、F、M三個指標的分值依次與上述平均值進行比較，若小於平均值則計為低，否則為高，得出每個用户R、F、M分值的高低情況。

6）依據RFM分層表，進行用户類型的匹配，用户最終被分為8種類型。如下圖：

RFM分層結果表

7）依據實際情況，針對每一類用户制定不同的策略。

三、RFM的適用場景

任何事物的成立都有前提，而前提往往是最容易被忽略的。

RFM層成立的前提有3個：

1. 最近有過消費行為的用户，在未來一段時間內再次消費的概率越大；即用户最近一次消費的時間間隔越短（R值越小），流失的幾率越小，用户的價值越高。
2. 最近一段時間消費頻率越高的用户越忠誠，在未來再次消費的概率越大；即F值越大，用的户價值越高。
3. 最近一段時間消費金額越高的用户，在未來越有可能產生高價值消費；即M值越大，用户的價值高。

之所以要説前提，是因為方法論都有它的侷限性。對方法論不加分辨、胡亂套用，不僅不能解決問題，反而會越走越偏。

從上面三個前提也可以看出RFM的侷限性。比如針對以下情況，上述三個前提很可能不成立。

用户最近一次消費間隔越短，流失幾率越小：

• 家居、汽車、房屋這類低頻的消費品；
• 服裝這類具有周期性的消費品。

用户最近一段時間消費頻率越高，未來消費概率越大：用户一段時間內的消費行為可能受多種外部因素影響，如：促銷打折、生日以及其他特殊情況導致的一段時間內的高頻購買等。

用户最近一段時間消費金額越高，未來越有可能產生高價值消費：

• 消費本身為低頻次的，如高價值的耐用品消費；
• 消費本身為週期性的，如：母嬰、裝修、結婚等。

所以不同行業不同類型的業務在使用該分層方法時一定要反問自己，上述三個前提對於自己的業務是否成立。

四、案例分析

以下我以內容社區中創作者的分層為例進行RFM的實踐分享（數據部分均為舉例用的虛假數字）。

1. 背景及目的

在不考慮創作者發佈內容質量的前提下，基於創作者的發佈行為進行分層，以提升創作者羣體的內容發佈數量。

2. 分析過程

1）第一步

確定創作者的R、F、M指標分別對應什麼指標並進行取數及數據處理。

相比於交易用户，創作者在平台的關鍵行為是內容發佈，其對應的三個指標分別為：

1. R：最近一次發佈內容的日期距離取數日的間隔天數；
2. F：最近三個月創作者發佈內容的天數；
3. M：最近三個月創作者發佈內容的總數。

確定以上指標後，取數如下：

將數據處理為以下格式：

2）第二步

觀察R、F、M各個數值對應的用户佔比圖，以確定分值梯度。

以M為例，通過建立不同發佈數量的作者佔比趨勢圖，尋找曲線的斷檔處以確定分值的梯度。

下圖中，曲線明顯的幾個斷檔處分別為：1-2條，3-6條，7-11條，12-15條，16條及以上。

因此可將F值分為5檔，分別為1分：1-2條；2分：3-6條；3分：7-11條；4分：12-15條；5分：16條及以上。

根據上述方法依次計算出R、M的5個梯度。需要特別注意的是，R值越大則間隔天數越長，對應的分值越小。最終結果如下圖所示：

3）第三步

依次計算出每個用户的R、F、M三個值，結果如下：

4）第四步

計算出所有用户的R、F、M三個值的均值，並將用户的每個值與均值進行比較以判斷用户R、F、M值的高低，大於等於均值記為高，小於均值記為低。結果如下：

5）第五步

根據RFM的用户分層表，對每個用户的類型進行匹配，結果如下圖：

6）第六步

針對不同類型的創作者制定不同的策略，以提升作者的內容發佈數量。具體的策略這裏不做闡述，因為需要結合業務的實際情況而來。

五、關於RFM的探討

上述分析中，在計算用户R、F、M每個值的高低時採用了目前最為廣泛的一種方法：打分法。打分法的好處是可以對用户的價值進行量化。但其實在不量化用户價值的情況下，可以採用更簡便的一種方法：將所有用户的R、F、M曲線依據帕累托法則（二八法則）進行劃分來確定值的高低。

即使量化用户價值，在講究科學運營的今天，打分法也略顯粗糙。故在實操中可嘗試另外一種分層方法：AHP層次分析法。在上述創作者分層案例中，可將R、F、M三個指標去量綱後，在考慮權重的情況下計算作者的價值分。相關公式如下。

作者價值分=-a*R值+b*F值+c*M值

（其中a、b、c為對應指標的權重，“-a”表示R與作者價值成反比，R值、F值、M值為去量綱後的數值）

計算出對應的分值後再依據分值進行作者的分層，目前該方法有較多的應用場景，後續將專門進行探討。

RFM模型更重要的是提供了一種用户分層的思路，而不只是方法。基於RFM模型的分層思路可以進行更多延伸，比如：基於RFM其中的兩個指標進行二維象限的分析、根據業務特徵對RFM的三個指標進行替換以尋找適合自己業務的分層方法、將RFM中量化用户價值的方式由評分替換為算法等更科學的方式。

方法重在活學活用，我個人是方法論的推崇者，但推崇的是在瞭解方法論侷限性的前提下，以合適的方法解決問題，而不要胡亂套用，成為方法論的受害者。

畢竟解決問題的方法有很多種，不必痴迷於用的是哪一種，達成目的即可。

本文由@我是誰 原創發佈於人人都是產品經理，未經許可，禁止轉載。

題圖來自Unsplash, 基於CC0協議。