在线统计

在线会员
0
在线游客
5
会员总计
5

转摘 Rfm模型:如何量化你的用户价值?

leon

管理成员
2019-03-12
93
3
勋章
1
C币
63.03
  • GitHub勋章
在拓展市场初期没有思路的时候,市场和运营同事绞尽脑汁做活动、上新品、蹭热点、做营销,不断的拓展客户、做回访维系客户感情,除了少数运气好的之外,大部分效果寥寥。真正的用户没有几个,到最后都便宜了羊毛党。不同阶段、不同类型的用户需求点不同,有的客户图便宜,有的客户看新品,有的客户重服务,大包大揽的营销运营,最后的结果就是凉凉。

解决得分方法也很简单,就是用户精细化运营,通过各类运营手段提高不同类型的用户在产品中的活跃度、留存率和付费率。而如何将用户从一个整体拆分成特征明显的群体决定了运营的成败。这里介绍一个最经典的用户分群工具就是RFM模型。RFM模型是衡量用户价值和用户创利能力的经典工具,依托于用户最近一次购买时间、消费频次以及消费金额。

在应用RFM模型时,要有用户最基础的交易数据,至少包含用户ID,交易金额,交易时间三个字段。

RFM的含义:

  • R(Recency)最近一次消费时间:表示用户最近一次消费距离现在的时间。消费时间越近的客户价值越大。1年前消费过的用户肯定没有1周前消费过的用户价值大。
  • F(Frequency)消费频率:消费频率是指用户在统计周期内购买商品的次数,经常购买的用户也就是熟客,价值肯定比偶尔来一次的客户价值大。
  • M(Monetary)消费金额:消费金额是指用户在统计周期内消费的总金额,体现了消费者为企业创利的多少,自然是消费越多的用户价值越大。
基于这三个维度,将每个维度分为高低两种情况,我们构建出了一个三维的坐标系。

Q17IytdSKM4SYpu5ejwQ.jpg

(来源自网络)

通过图表很直观的发现,我们把客户分为了2的三次方也就是8个群体。

uxUYE5wmRcXdktsa91ic.png

如果某个用户最近一次消费时间距今比较久远,没有再消费了,但是累计消费金额和消费频次都很高,说明这个用户曾经很有价值也就是RFM模型中的重要保持客户,我们不希望他流失,所以运营人员就会专门针对这类型用户设计召回策略,这也就是RFM模型的核心价值。

当然这里有个默认前提:

  • 最近有过交易行为的客户,二次发生交易的可能性要高于最近没有交易行为的客户;
  • 交易频率较高的客户比交易频率较低的客户,更有可能发生二次交易;
  • 过去所有交易总金额较多的客户,比交易总金额较少的客户,更有可能发生二次交易。
举例来说明:

以下是模拟我近一年的消费行为(脑海中蹦出了一年逛两次海澜之家…):

3venMCS6RSKfER3J6sFo.png

假设当前统计时间为2019年12月31日,经过简单的统计计算可得:

  • R值 = 12月31日 – 11月11日 = 50;
  • F值 = 计数消费次数 = 4;
  • M值 = 1200+300+900+2000 = 4400;
这里会遇到第一个问题:

R值最近一次消费时间表示用户最近一次消费距离现在的时间,消费时间越近的客户价值越大。以上方式计算出的R值越大说明当前用户最近一次消费时间越远用户价值越小,而F值还有M值越大代表用户价值越大,三组数据不在同一个描述维度,而且R值、F值、M值存在量级之间的差距,无法直观的通过加减来衡量用户价值。

这里有两种处理办法分别是评分方式和算法。

评分方式


评分方式是根据三组数据各个值的特性,采用5分制为各个数据赋予一个评分值,R值的评分机制是R值越大,评分越小。具体评分的规则可以根据经验设定分值的给予区间,或者将数据平均分配成为5组,对应5个分值。

在基于三组数据对应的评分值来计算评分值的平均数,大于等于平均数的数据划到高的维度,低于平均数的数据划到低的维度,自然将三组数据每组分别划分为高低两组,交叉组合后就是我们上面说过的8种情况。然后在将三组数据对应的评分值做累加就是RFM总值了。

评分机制的优势

计算RFM总值时解决了不同量级数据相加时影响权重不均衡的问题。由于用户的交易行为中R值和F值相对较小,如果三个值不处理就累加,M值直接决定了总值的量级,R值、F值对总值的影响很小,无法体现出用户的真实价值。

同样以刚刚的数据为例:RFM总值 = 50+4+4400= 4454

可见M值4400直接决定了最后计算结果的量级,前面R值、F值对结果的影响基本忽略不计。采用评分制的方法后,将R、F、M值都映射到了1至5的区间之内,保证了各数据之间的可比性。

评分制的劣势

赋值指标的设定需要资深的业务经验,什么样的算高频,什么样的算高额都是经验,并且用户的消费数据是不断膨胀的,根据手动设定的划分区间无法随着数据的不断膨胀而自动适配,所以需要根据经验和数据反馈不断修正。

算法方式


算法方式是根据数据特性将数据基于模型处理后量化用户价值,分划分高低维度、量化用户价值两步。

第一步:划分高低维度

根据数据分布情况将数据分为高低两组,这里区分的方式一般采用四分位数(将一组数据由小到大排列并分成四等份,处于三个分割点位置的数值就是四分位数。处于正中位置的数字就叫做中位数,如果数组个数为奇数个,则中位数为排序后中间的一个数,如果数组个数为偶数个,则中位数为排序后中间两个数的平均数。),而不是评分制的平均数。

分位数相对于平均数应用场景更广,由于大部分数据都呈现长尾分布,80%甚至90%以上都集中在低频低额区间,少数的用户提供了大部分销售,采用平均数无法很好的体现数组的特性,长尾用户很容易被平均,

下面举个例子:土豪身价2个亿,屌丝产品经理身价20万,两人平均后,平均身价1个亿……

例子并不恰当,但是能看出在数据呈现长尾分布的场景中,平均数在很多场景并不合适,而采用四分位数时,可以根据数据分布情况,选择中位数、四分之一位数或者四分之三位数,然后高于则划分为高纬度,低于则划分为低纬度。

这里有一点需要注意!

由于R值的大小和用户价值呈现反比,所以高于分位数的时候算低纬度,低于分位数时算高纬度。

第二步:量化用户价值

首先解决R、F、M三值量级不均衡的问题,然后计算RFM总值量化用户价值。可将三组数据分别无量纲化处理映射至0到1的区间在合理放大然后相加。很多同学一听到算法就晕了,我挑选了这个方法中最简单的一种,只用到了我们初中所学的数学,逻辑非常简单,下面我为大家介绍min-max归一化。

min-max归一化

先贴公式:

Yo0gTIpssQ2TAlahb0H5.png

上式中,min是数组中的最小值,max是数组中的最大值。只要将数组中的数据依次经过上述公式处理,最后发现原数组收敛到了0至1的区间之内,是不是很简单。

下面是我随机生成的一组数据为大家示例:

bgrPMTEMRVYr64BTUtQv.png

第一组源数据经过无量纲化处理后收敛至了0到1区间之内,可将不同量级的数据归一化至同一量级,归一化后的数据是一个位数极多的小数,而一般用户对于极小数和极大数没有直观的感受。

所以这里我把所有的数据同比放大了100倍,将源数据扩大到了0至100的区间,同时做了四舍五入,让数据可读性更强。经过这样的处理就将数据从原来不同量级无法直观对比,归一化到了0至100的区间,方便大家直观计算RFM总值。

最后计算RFM总值的公式如下:RFM总值 = R值*(-1)+F值+M值+100;

公式中同样为了解决R值同F、M值统计维度不一样的问题,这里给R值乘以了负1,同时为了保证数据结果不会出现负数,又在最后加了100。这样处理之后保证最后的RFM总值落在了0至400的区间之内,让大家可以通过分值很直观的量化用户价值。

总之,RFM最终的目的就是帮助业务提高运营效率和产出价值,上述介绍了两种方法,一种通过经验人工划分出用户群体,一种通过数据挖掘,给与业务运营建议。

具体的业务应用场景还是以淘气值为例(均为个人猜想,如果哪里说得不对,还请留言告知,谢谢)。

ueFwRub8OZGQGQf3YAZ4.jpg

  • 购物分:是近12个月购买金额的综合分值。每一笔订单、每日、每月、每一类商品、每一个店铺,可获得的最高可得分都不同,另外,购买更多种类的、高信誉商家的商品可以得到更多分;
  • 奖励分:奖励分是近12个月内购买的商品类目数,反映真实消费体验的文字评价、带图评价、追评、分享被点击数、问大家参与次数、购买成交天数、连续购买月数的综合分值。奖励分受购物分正向影响,购物分越高,奖励分越高;
  • 基础分:基础分由当前信誉等级决定。信誉等级越高,基础分越高,并且可得购物分和奖励分的分数越高。
购物分围绕着用户的近12个月消费记录,奖励分则是围绕着用户的实际互动行为,包括评价、分享、参与次数等。这里特别强调一点RFM模型不仅仅针对消费数据,可以试试其他新的花样,比如:

  • 互动行为:最近一次互动时间、互动频次、用户的互动次数;
  • 直播行为:最近一次观看直播时间、直播观看频次、观看直播累计时长;
  • 内容行为:最近一次观看内容时间、观看内容频次、观看内容字数;
  • 评论行为:最近一次评论时间、评论频次、累计评论次数等等等等。
以上这些只是我的简单思考,希望可以给大家更多的启发。

淘宝根据用户的淘气值将用户分成了三种类型:

  • 普通会员:0 ≤ 淘气值 < 1000;
  • 超级会员:1000 ≤ 淘气值 < 2500;
  • APASS会员:2500 ≤ 淘气值。
分别设定了不同的权益针对性运营,在推出88会员的时候淘气值高于1000分的用户可以以88元直接购买会员。同时在淘气值页面看到了88会员中心【敬请期待】的页面,在结合88会员入口处【花小积分 兑大权益】的文案,相信未来淘宝会在88会员上有新的运营动作。

最后关于无量纲化处理的方法还有很多,我这里介绍了最简单的一种,喜欢研究的同学可以自行百度。

会员系列的第二篇,终于在纠结了两周反复难产的过程中完成了。
 
原文作者
萌面赵先生
转摘地址
点击查看原文

聊天房间

最新资源

  • Bootstrap Studio
    原型 Bootstrap Studio
    一款Bootstrap框架创建响应式网站的功能强大的桌面应用程序。
    • leon
    • 更新于:
  • Uxpin|响应式原型设计工具
    原型 Uxpin|响应式原型设计工具
    具有响应式的断点功能,创建的响应式原型和线框图可以运行在不同的设备和分辨率上。另外该软件还提供了版本控制和迭代功能,可以轻松的共享预览,直观的注解和实时的协同编辑和聊天,拥有大量具有吸引力的用户界面元
    • leon
    • 更新于:
  • 餐厅外送及订单系统交付APP
    脚本 餐厅外送及订单系统交付APP
    这订餐克隆脚本是第一个在世界上的一种克隆的,是理想的任何按需交付业务或送外卖的应用程序,如UberEats / Postmate /无缝或者甚至在网上订餐网站
    • leon
    • 更新于:
  • WORKSUITE - 项目管理系统
    脚本 WORKSUITE - 项目管理系统
    保留所有的他的团队的任务在一个地方。合作,并在实时工作取得实实在在的效果。Worksuite:最强大和最简单的方式与您的团队合作。特点:客户,员工,管理,项目管理,任务管理的管理,账户管理,客户管理问
    • leon
    • 更新于:
  • Build websites faster with Pinegrow 5
    应用 Build websites faster with Pinegrow 5
    在Mac,Windows和Linux的Web编辑器,让你建立网站的响应速度更快活多页编辑,CSS和SASS造型,CSS网格编辑和引导,基金会和WordPress的智能组件。
    • leon
    • 更新于:

关于社区

  • (v766.cn)以产品经理为圈子,以学习为目的的PM交流互动平台. 同时围绕电商、人工智能、互联网各行业、互联网移动、互联网+等领域与话题,分享精品干货,扩展IP.他们在这里一起成长.
社区管理
规则 帮助 用户
  • 目前没有人在聊天。
    聊天中还没有人留言。快跟大家说声Hi!
    忘记密码?