如何进行用户分层实现精细化运营 利用RFM用户价值模型

/2018年08月24日 17:13/ 分类:运营教程/阅读:1359
在用户运营领域,有一个叫做RFM的词,相信很多人看到过,或许感觉比较专业就没有继续深入;或者有些文章涉及到了python等数据处理手段,望而却步;又或者因为这个词跟电商关系紧密,所以非电商的运营伙伴就选择了放弃...

  在用户运营领域,有一个叫做RFM的词,相信很多人看到过,或许感觉比较专业就没有继续深入;或者有些文章涉及到了python等数据处理手段,望而却步;又或者因为这个词跟电商关系紧密,所以非电商的运营伙伴就选择了放弃学习。更多资讯尽在96新媒体http://www.96weixin.com/

  

9.1.png


  今天主要是分享一下RFM模型在用户分层精细化运营领域的应用方法和简单的实操案例。

  RFM模型更上一级隶属于用户价值模型,在用户价值模型中有两个方向:

  一个是基于用户生命周期,也就是时间和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的RFM模型的搭建,本次只说用户价值模型中的RFM模型

  RFM模型有哪些好处呢?当我们确定了RFM模型之后,从而可以决定针对哪些用户在发送短信时,加上前缀“尊敬的VIP用户”,哪些用户加上前缀“好久不见”。也可以帮助企业判断哪些用户有异动,是否有流失的预兆,从而增加相应的运营动作。用处之大,且看下文。

  关于RFM的科普大家可以自行在网络上搜索,这里不做赘述,先说一下三个字母的意思:

  R:最近一次消费(recency),代表用户距离当前最后一次消费的时间,当然是最近一次消费的时间距今越短越好,对我们来说更有价值,更可能有效的去触达他们。

  F:消费频次(frequency),用户在一段时间内,在产品内的消费频次,重点是我们对一段时间的定义。

  M:消费金额(monetary),代表用户的价值贡献。

  

9.2.jpg


  最早是将R、F、M每个方向定义5个档,5*5*5=125种用户分类,对大部分运营和产品来说,过于复杂,大家可以不用去了解为何分成5档这样的历史问题。现在我们已经把R、F、M每个方向定义为:高、低,两个方向,我们找出R、F、M的中值,R=最近一次消费,高于中值就是高,低于中值就是低,这样就是2*2*2=8种用户分类,如下图:

  

9.3.png


  所以,如果我们能够找出产品内用户隶属于以上8类中的哪一类,我们就可以针对性的制定运营策略。

  在做具体的RFM搭建之前,我再强调一次,RFM模型不仅适用于电商领域,其他领域同样适用。只要我们找出跟R、F、M相关的数据字段,做好字段的定义,证明这些字段是影响当前业务进展的最为关键的几个维度即可:

  R:最近一次登录时间、最近一次发帖时间、最近一次投资时间、最近一次观看时间

  F:浏览次数、发帖次数、评论次数

  M:充值金额、打赏金额、评论数、点赞数

  上面这些都是在其它领域对R、F、M的定义,具体要根据实际业务情况进行评估。比如你是豆瓣的运营负责人,发现过去一周,豆瓣图书版块的整体流量下降10%,同时,文学书籍类别下的分享帖环比下降5%,你要去分析原因,可以选取对应R、F、M的字段分别为:登录数、发帖数、互动数。

  图书版块整体流量下降,可以理解为这个版块的活跃下降,可以看下过去一周的登录数。

  文学书籍类别下的分享帖下降5%,可以看下过去一周的发帖数。

  同时,流量下降,我们可以看下是否因为帖子质量相对下降,导致用户的互动(评论、收藏等)下降,进而导致流量下降。

  下面我以自己抓取的1w条某导购平台的一套数据为例,带大家使用最简单的方法,进行这套数据中用户RFM模型的搭建,找出这8个类别的用户。

  RFM模型搭建步骤如下:

  抓取R、F、M三个维度下的原始数据

  定义R、F、M的评估模型与中值

  进行数据处理,获取R、F、M的值

  参照评估模型与中值,对用户进行分层

  针对不同层级用户指定运营策略

  (1)抓取R、F、M三个维度下的原始数据,我抓取是最近一次消费时间、消费频次、消费金额。上文已经说过,在做各自业务分析时,可以根据实际情况选取R、F、M的数据字段。下表是1w条数据中的13条进行展示:

  

9.4.png


  (2)我将1w条数据的最近一次消费时间、消费频次、消费金额分别用占比趋势图进行处理,以消费频次为例,如下图:

  

9.5.png


  大家通过图表,可以看出1w条数据中,关于消费频次出现了几个比较明显的断档,分别是:消费1次、消费2-5次、消费6-11次、消费12-17次、消费18次以上。所以,我把F值分为5档,F=1=消费1次,F=2=消费2-5次,F=3=消费6-11次,F=4=12-17次,F=5=18次以上。

  同理,用上图的方式,我找出了R值和M值5当分别对应的数据区间。R=1=2天,R=2=3-8天,R=3=9-14天,R=4=15-22天,R=5=23天以上;M=1=600元,M=2=601-3800元,M=3=3801-6200元,M=4=6201-10000元,M=5=10001-15000元。

  我们得到RFM三个数据指标下的分档标准:

  

9.6.png


  (R值时反向值,R值越大,用户价值越低;F值时正向值,F越大用户价值越高;M值时正向值,M值越大用户价值越大。)

  (3)计算1w条数据,每条数据下最近一次消费时间、消费频次、消费金额对应的R、F、M值:

  

9.7.png


  上图的计算方式比较简单,我们在excel中写入if语句:

  单元格E2=if(B2>23,5,if(B2>15,4,if(B2>9,3,if(B2>3,2)))))

  解释:

  如果B2大于23,则A1用户对应的R值=5,否则进入下一个if判断;

  如果B2大于15,则A1用户对应的R值=4,否则进入下一个if判断;

  如果B2大于9,则A1用户对应的R值=3,否则进入下一个if判断;

  如果B2大于3,则A1用户对应的R值=2,否则进入下一个if盘点。

  计算F值和M值的方式一样。

  (4)计算R、F、M的平均值,这一点大家应该都会,直接求和再除以项数。R(ave)=2.9,F(ave)=1.8,M(ave)=2.7

  (5)将1w条数据每个用户的R值、F值、M值和平均值进行比较,高于平均值则标记为高,低于平均值则标记为低:

  

9.8.png


  比较高低值,使用一个简单的if语句:

  H2=if(E2<2.9,“低”,“高”),F值和M值计算同理。

  (6)将每个用户的R、F、M值与中值分别进行比较,得出用户所属类别表:

  

9.9.png


  每个用户的R值、F值、M值与中值进行比较,判断高或者低,进而确定用户属于上文所说RFM模型8类用户中的哪一类,这里需要用到一个简单的if语句进行判断,我们以A1用户为例,判断A1用户所属用户类别:

  K2=IF(AND(H2=”高”,I2=”高”,J2=”高”),”重要价值用户”, IF(AND(H2=”高”,I2=”低”,J2=”高”),”重要发展用户”,IF(AND(H2=”低”,I2=”高”,J2=”高”),”重要保持用户”, 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”,”一般挽留用户”)))))))

  同时,我们点击excel中的“条件格式”,将文本中带有“高”字的设置一个绿色,带有“低”字的设置一个“红色”,更方便我们识别。

  

9.10.png


  至此,我们得到了这1w条数据下用户的完整精细化分层,接下来,大家可以根据分层结果做相应的运营策略具体开展执行工作。

  (7)根据用户分层结果制定运营策略

  

9.11.png


  制定运营策略既要结合各类用户在产品中的占比,也要结合产品的实际业务逻辑。以此次某导购平台用户分层为例,制定如下策略:

  

9.12.png


  有些小伙伴在制定策略时,直接甩上来一堆不能称之为策略的“方案”,比如针对“重要发展用户”,我给出的策略是“提升频次”,所有围绕提升频次的手段都可以去尝试,而不是上来就制定比如:发push、发券、打电话等方案,这些都是在策略支撑下的运营手段。策略本身一定是可以延伸和复制的。

  除了上述根据用户类别进行运营策略制定,我们还可以分析1w条数据中,R值分布、F值分布、M值分布,基于三个数值的分布以及和中值的比较,针对最近一次消费时间、消费频次、消费金额维度下做整体的运营,提升站内用户整体活跃、整体流程、拉动GMV等。

  整体来说,RFM模型不是很难,但是有一些需要注意的点:

  在抓取原始数据时,一定要结合实际业务来选取关键数据指标进行分析,而不是千篇一律的最近一次消费时间、消费频次、消费金额。上文也给过豆瓣的案例,在豆瓣案例中,R=登录数、F=发帖数、M=互动数。

  在定义R值、F值、M值的评估模型进行数据区间分隔时,也不是千篇一律的用本文说述的看整体趋势,从而发现明显断档的形式进行,也可以用散点图、透视表、占比图等进行判断。同时,除了通过数据去发现断档,我们可以基于自己的业务和业内的平均水平进行临界点的发现。比如针对滴滴、易道这样的打车软件,使用频次相对较高的肯定是工作日。所以,如果分析滴滴的业务,F值消费频次的5个分档可以基于实际业务,以每5天作为一档,分析近30天内的业务表现。比如F=1=5天以内,F=2=6-10天,F=3=11-15天,F=4=16-20天,F=5=21-30天。然后将提取的每个用户的消费频次和这5个档进行比较,确定每个用户的F值

  对于中值的计算,最简单的是本文所说的平均值计算方式。除了平均值,还有二八法则,20%的用户创造了80%的收益,所以,可以将这个临界点作为每个用户R、F、M比较的对象。对于更加复杂的业务,可以寻求程序员协助,使用Means聚类算法进行精准取数。

  除了本文所说选取3个核心业务指标进行交叉分析,有些时候,我们可能需要同时分析4个、5个指标,或者只需要分析2个指标。所以,不需要很死板的使用本文的计算方法,要灵活变通,这里不再举例。

  最终还是要回归到运营上来,所以,针对不同分层用户的运营策略的制定要结合实际,在制定了运营策略之后,结合公司现有资源和手段开展具体的落地工作。

  对于本文的内容,建议大家实操尝试。

  #专栏作家#

  Chris,微信公众号:产品运营(pm-2020),人人都是产品经理专栏作家,关注在线教育、社交、电商并参与多个项目从0-1的搭建。转型互联网金融,负责信用卡和现金贷产品的全流程运营工作。热爱将别人眼中“不值一提”的细节用文字呈现出来。


阅读:1359
2014-2017 96新媒体 All right reserved. 版权所有 琼ICP备17000490号-2