运营工具系列一(RFM模型)

运营工具系列一(RFM模型)
文章图片
RFM模型 摘要:RFM模型是衡量客户价值和客户创利能力的重要工具和手段,在产品运营工作中有着非常大的作用,也是构建用户画像体系的一个非常重要的子模型。本文主要从模型介绍、操作方法、指导实践三部分浅析RFM模型在日常的运营工作中如何运用。
1. 模型介绍 根据美国数据库营销研究所Arthur Hughes的研究,用户的行为数据中有三个“上帝指标”,分别为:最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。对于不同产品及不同的实践目标来说,上述三个指标有所不同。如:对于人人都是产品经理这样的社区产品来说,Recency可以指用户最近一次登录、点赞、评论、发文章;Fquencrey可以指近一个月/周的登录次数、点赞次数、评论次数、发文章次数;Monetary则可以指打赏的金额、获得打赏的金额。
对于这三个指标展开分析,可以帮助我们挖掘出用户行为数据中很多有用的东西,用于指导实践。同时可将这三个指标进行组合或者两两组合以得到不同的RFM矩阵。
运营工具系列一(RFM模型)
文章图片
R-F矩阵 如上图所示,利用Recency和Frequency的组合得到RF矩阵。第一象限用户在指定周期内消费频率高,但消费时间都集中在初期,需要对其进行进行召回,又或者此类用户是月光族类型,习惯在月初大量购买,那么我们可在每月初对其进行促销、活动信息推送刺激消费,其他可依此分析。
通过该模型的分析结果,可以指导我们运营童鞋的日常运营工作,做到有的放矢。这也是我们建立RFM模型的最终目标,不可沉醉于数据分析中,数据分析的最大妙处在于指导实践,整个分析过程中要时不时问问自己的内心:我分析这些到底要干吗?
2. 操作方法 哲学上说:“理论来源于实践并指导实践”。因此,本文以一“案例”来说明该模型的具体操作办法。
案例背景:产品为电商平台,共有6月份20个用户的数据,详细指标说明如下图:
运营工具系列一(RFM模型)
文章图片
注:以上所有数据均通过SPSS随机数生成器生成 所用软件及方法:SPSS,K均值聚类(该算法是很典型的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大)。
分析思路及过程:首先利用SPSS对20个用户进行聚类,本文将其分为了3类,再对这3类分别做统计分析,如表2.1:
运营工具系列一(RFM模型)
文章图片
表 2.1用户聚类 第一类用户在近一个月内购买频次低,客单价高,且上次消费距今1月之久。

【运营工具系列一(RFM模型)】第二类用户在近一个月内购买频次高,客单价低,且上次消费距今最近,用户数也最多。
第三类用户单从数据上有些不正常,因为客单价较高,频次高(一月接近5次),但上次消费距今竟然有22天,也就是说这类用户在月初的8天大概每两天消费一次,在后20天再没下过单。
3. 指导实践 笔者认为,一切的数据分析也好,研究报告也罢,都要以指导实践为目标。因为笔者非常信奉growth hacker的信念:一切以增长为目标
回到本文,但就表2.1的数据,还不足以指导实践。我们需要进一步挖掘。接下来需要做的事情有两点:①拉出这些用户的画像明细(包括年龄、性别等)、②拉出这些用户购买的品类。
虽然本文的数据为随机生成,但仍基于数据进行信息挖掘。第二类用户购买的产品因频次高(1月近4次)客单价低(每次20元左右)且用户占比还高,品类应为洗发水、纸巾等快消家用品。这些用户应为平台的忠实用户,1个月在平台购买4次多,但每次消费较低。虽然快消品类毛利低,但品类繁多且非标,消费周期短,是提升用户活跃度的好品类,只要能增加用户在平台上活跃的时间,一定有办法将毛利高的产品卖给他们。因此,第二类用户现在应该重点运营,因此忠实于平台但消费金额较低,有很多价值可挖掘。我们可以经常推送给他们优惠券等信息。第三类用户从数据上看比较特殊,但别忘了时间这个重要指标。本文的数据假设为6月,6月初有什么?没错,618全民年中购物节。该类用户应该是在促销的那几天大量密集购买,伴随着活动的结束钱包也消瘦了,因此后期未有购买行为。第一类用户购买的品类不太好猜测,但他们都在月初购买(方差也很小),且客单价较高,应该重点分析下用户画像。这类用户,很可能近期流向了其他平台,应该根据用户特点等进行针对性的用户召回,可采取的措施包括内容营销、活动召回(可考虑针对这些用户开启白名单做些特殊的活动)。另外,应该对他们最后一次的用户行为进行仔细的分析,看其在最后一次购物行为中发生了什么“不愉快”的事情导致流失(是物流原因、售后原因亦或产品体验)。如有必要,可对该类用户做调研。
RFM模型还有很多东西可以挖掘,就看我们如何进行创新地分析。数据分析既是科学也是艺术,不同的视角会带来意想不到的发现。

    推荐阅读