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。

删除

RFM模型

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

删除

RFM模型实现用户分层

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。)

删除

(选填) 图片描述

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。

删除

原始数据

先把数据进行处理,把3周数据汇总一下。看起来就漂亮点。

删除

(选填) 图片描述

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。

删除

登录次数分布

删除

停留时间分布

删除

下单次数分布

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。

删除

(选填) 图片描述

接着,把用户类型归类好,这里数值重要性是M>R>F。

删除

(选填) 图片描述

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。

删除

(选填) 图片描述

得出了所有的R、M、F值,但是,我们还是没办法判断这个值的高低。这时还需要一个模型中值。我分别取了R、F、M值的平均数(如下图),取平均值是比较常用的方法。除了平均值,还有去中位数等方法的。

删除

(选填) 图片描述

用if函数,分别判断R、F、M值的高低。函数是:=IF(E2>$M$1,"高","低")

删除

(选填) 图片描述

把R、F、M值的高低都标记出来后,我们用IF函数把用户类型打标。函数如下:

IF(AND(H2="高",I2="高",J2="高"),"重要价值用户",

IF(AND(H2="高",I2="低",J2="高"),"重要保持用户",

IF(AND(H2="低",I2="高",J2="高"),"重要发展用户",

IF(AND(H2="低",I2="低",J2="高"),"重要挽留用户",

IF(AND(H2="高",I2="高",J2="低"),"一般价值用户",

IF(AND(H2="高",I2="低",J2="低"),"一般发展用户",

IF(AND(H2="低",I2="高",J2="低"),"一般保持用户",

IF(AND(H2="低",I2="低",J2="低"),"一般挽留用户"))))))))

函数非常长,需要细心写点哦。这里说一下,IF(AND(H2="高",I2="高",J2="高")

AND表示几个条件同时满足时,输出正确值,否则进入下一个IF判断。

删除

(选填) 图片描述

最后,再用数据透视表汇总一下,这样就可以清晰知道每一层用户的情况了。然后,就根据不同的用户类型定制运营策略。

删除

(选填) 图片描述

以上,自己领悟。

我是彦晨(wx:734454071,公众号:彦晨),互联网从业者,90后运营总监,运营盒子主理人。

运营盒子致力于帮助0-3岁的运营人缩短50%成长时间!给运营新人,刚刚转行运营的小伙伴提供学习帮助,(职业养成/ 学习资源/ 简历修改/ 运营业务咨询等服务)

希望认识更多有意思的灵魂,欢迎来聊!

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,290评论 6 491
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,107评论 2 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 156,872评论 0 347
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,415评论 1 283
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,453评论 6 385
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,784评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,927评论 3 406
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,691评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,137评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,472评论 2 326
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,622评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,289评论 4 329
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,887评论 3 312
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,741评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,977评论 1 265
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,316评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,490评论 2 348

推荐阅读更多精彩内容