“RFM分析，是用户精细化运营中比较常见的分析方法

“RFM分析，是用户精细化运营中比较常见的分析方法了。”

今天和大家分享一下数据分析中比较常用的一个分析框架：RFM分析。该模型用的很多，说明有模型自身的优势；但同时也存在很多的问题。今天和大家一起探讨。

一、什么是RFM分析

RFM分析，其实是一种将用户分层、进而针对不同用户群体进行精细化运营的方法。

RFM的三个字母，分别代表了一个维度：

• R（Recency）：最近一次消费时间。反映了用户最近消费的热度，用以衡量用户是否流失。理论上，最近一次消费时间越长，流失概率越高
• F（Frequency）：用户的消费频率。反映了用户对于产品、品牌的忠诚程度。理论上，一定时间内的购买频率越高，用户忠诚度越高
• M（Monetary）：消费金额。反映了用户的购买力。

通常来讲，是针对每个维度设定一个阈值，将用户群体划分为二（高于阈值、低于阈值），三个维度齐下，则可以将用户整体划分为2^3=8个用户细分群。如下图：

有了用户的细分，可以针对细分用户进行精细化的营销。比如针对【重要价值客户】应该做好用户的权益维系，针对【重要保持客户】做好客户的流失挽回。

关于模型的大体含义和应用价值，就简述一二，详细的请继续。

二、如何进行RFM建模

RFM模型的建立，总结起来一般可以分为以下几步。

1. 关于原始数据

从定义中我们可以看出来，R、F、M其实都是和消费相关的。因此，关于RFM模型的搭建，使用的原始数据很明确：订单表交易表。

而且，使用的维度其实并不需要很复杂，只要有以下的维度就足够了：

即我们只要有用户唯一标识、消费时间、消费金额，这三个字段的明细，就可以来搭建RFM的分析模型了。

当然，对于原始数据有一些数据清洗的工作，这里就不赘述了。比如选取的是成交的订单，而不是下单未支付的；比如选取的是排除大机构的订单……等等。

2. 三个维度的加工计算

基于上面的原始订单数据，下一步就是RFM三个维度的加工。这里面，有很多细节的问题。

首先，关于最近一次消费时间的计算。这个指标的定义比较明确，直接取最近一次消费的时间和当前时间做差就好。

关于消费频率的计算，必须有时间范围的设定。那具体是设置最近一年的消费频率（即购买了几次），还是最近1个月的消费频率呢？这是有很大差别的。通常来讲，这个范围的设定和分析用户的行业有很大关联。比如快消品，统计用户的几个月的时间就够了，但耐消品，显然不是。统计一年的，可能用户都没有复购。

关于消费金额。这里和消费频率一样，也是要有时间范围设定的，道理也是一样的。确定好了时间范围，直接做sum就行，没有太多的疑惑。

因此参数的设定，没有固定的标准，要多结合自己所处的行业规律。加工完是这样的表：

3. 阈值的划分

加工好了基础的三个维度的统计指标，接下来就是进行划分阈值的确定。即确定基于多大的数值，将每个维度的用户进行分段划分。

通常来讲，每个维度只需要确定一个阈值即可，这样可以将总体用户划分为8个分段。但现在还有一种套路是每个维度划分为5段，将总体划分为5^3共计125个分层，美其名曰【细分】。但我个人是不认可的。我觉得RFM分析的重要意义就是用户细分的可解释及可落地性，划分成125个用户群体，你该如何精细化运营呢？最终还是要进行合并。

OK，我们还是按照正常8分层来讲。我们看到上面的统计聚合表了，往往分布是下图的样子（以R为例）：

如何划分为两群用户呢？这时有很多种不同的方法了。

第一种方法，采取均值的方法。我个人是不太建议用均值作为阈值的。因为现实情况经常有一些异常值，会影响均值的计算。而数据清洗的时候很难都排掉异常。

第二种方法，是采取中位数（或者其他分位数，比如20%分位）的方法。这种方法直接将排序后的用户按照数量进行划分，中位数可以将人群一分为均等两份，其他分位数也可以有合理的业务解释：20%的用户贡献了80%的作用，等等。

这种方法个人觉得比较简单易行，比较推荐。

关于偏态分布（以右偏为例）下，众数、中位数、均值有以下关系：

除了用统计量直接作为阈值外，第三种方法，也是市面上看到比较多的方法，就是打分法。

所谓的打分法，就是先将原始的R、F、M数值划分为1~5的分数，然后求分数均值，作为划分阈值。