高阶用户运营 | 如何用RFM模型实现用户分层管理（附案例）|推荐收藏

RFM模型应用到用户运营中，实现用户分层分析和管理应用（案例）

哈喽，大家晚上好，我是彦晨。最近有点懒，好久没更文了哈哈哈。

前一段时间，有个小伙伴说，想把RFM模型应用到实际的用户运营工作中，但是因为之前没做过。虽然看了很多理论性文章，也都明白原理，但具体操作中，还是很多问题，不知道如何下手。不知道有没有小伙伴也遇到同样的问题呢？今天晚上突然想起，就写写这个。

这篇文章将会分两部分。第一部分，简单回顾一下RFM这个典型模型，第二部分，找些数据，具体操作一下整个过程。希望这篇文章对你们有所启发，或者能直接用得上就更好了。

一、RFM回顾

在以用户价值来做用户模型当中，其实是有两个方向。一个是基于用户生命周期，也就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搭建。其中RFM模型是最典型的，是衡量用户价值和用户创利能力的一个重要的工具和手段，早被广泛应用在各个行业中了。有很多文章详细介绍RFM模型的，这里我就不细写了，简单带过。

RFM的含义：

R（Recency）：客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。

F（Frequency）：客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。

M（Monetary）：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。

根据客户活跃程度和交易金额的贡献，进行客户价值细分8类客户。如下图，↑”表示大于均值，“↓”表示小于均值

二、数据实践

因为手头上没有很典型的RFM 数据，只有某网站3万条最近3周用户（登录次数、停留时间、下单数分别当做R、F、M使用），也无所谓，反正是练习，就用这些数据来操作，主要讲讲操作过程和方法。（看一千八百遍，不如自己做一遍。这数据我会放在个人公众号（lime017）里，后台回复“RFM”获取。）

RFM模型的应用中，整体来说分层这5大步骤。（如上图）根据这个思路，我们开始分析工作。

首先拿原始数据，一般来说，我们拿到的原始数据，如下图。如果团队没有专门的数据分析人员，那只能自己来处理。接下来就是比较多的数据处理步骤了。

先把数据进行处理，把3周数据汇总一下。看起来就漂亮点。

利用数据透视表，观察一下整体数据的分布情况，这可以帮助我们更客观去划分区间。除了这个方法，划分方法还可以根据具体业务规律来划分，或者是2/8法则来划分。可能有人会有疑问，为什么要把数据再划分几个区间？因为如果数据跨越幅度太大的话，划分区间能更精准映射数据模型上的价值，简单说就是为了更精细化。

根据上面登录次数、停留时间、下单数走势，我把划分4个区间。定义每个区间对应的值。这里，登录次数、停留时间、下单次数越高，对应的分值就越高，越重要。

接着，把用户类型归类好，这里数值重要性是M>R>F。

我们先用if函数算出R值（即登录次数，不同次数对应的区间的值）函数公式：=IF(B2<=8,1,IF(B2<=18,2,IF(B2<=30,3,IF(B2>=30,4)))) ，把所有对应的R算出来，再分别算出对应的F的值和M的值（如下图）。if函数的用法，逻辑比较容易出错。忘记的朋友可以百度一下。