編輯導語：本文通過RFM模型，解釋如何用RFM來劃分用戶等級，同時制定精準的運營策略來提升不同用戶分類的用戶價值。适用于想要調整自身産品的用戶分層，讓有限資源投入到更有價值的人群中的商家。

一、用戶價值的影響因素

做用戶增長就是做2件事情，一是增加用戶數量，二是提高用戶質量。而提高用戶質量的過程就是提升用戶價值的過程。

提升用戶價值也隻是做2件事情，一是提高用戶活躍度，二是提升用戶付費金額。

1. 更高的活躍度意味着更高的留存，進而有利于提升用戶的全生命周期價值（LTV），對于不直接向用戶收費的産品而言，更高的活躍度意味着更高的廣告價值，比如頭條。
2. 用戶付費金額 = 消費頻次 X 單次消費金額。很顯然，消費頻次增強或者單次消費金額提高都能夠提升用戶付費金額。

所以，用戶的活躍情況、消費頻次和消費金額都和提升用戶價值有關。

二、認識RFM模型

百度百科介紹：RFM模型是衡量客戶價值和客戶創造利益能力的重要工具和手段。在衆多的客戶關系管理(CRM)的分析模式中，RFM模型是很流行的。

• R：代表最近一次消費（Recency），可以定義為最近一次消費時間距指定時間的天數。
• F：消費頻率（Frequency），可以定義為指定時間内消費的總次數。
• M：消費金額 (Monetary)，可以定義為指定時間内消費的總金額。

RFM廣泛應用在電商行業。我們自己腦補下最近30天在淘寶或者京東的消費情況：

• 昨天剛下完單，那R就是1。一周前下了單，那R就是7，以此類推；
• 30天内一共下單了5次，F就是5；
• 30天内一共消費了500元，M就是500；

電商的小姐姐、小哥哥一看這個數據，哎呀，好喜歡：

• 昨天剛下完單表示很活躍，短期内不會流失，好放心；
• 30天下單了5次，表示這是個鐵杆用戶，好溫暖；
• 30天一共消費500元，消費水平還不錯，好踏實。

RFM模型按照最近一次消費時間、指定時間内的消費次數和指定時間内的消費金額将用戶分為8類。

看右上角紅圈部分，隻要消費金額高的就是重要用戶。相反，消費金額低的就是一般用戶，商業就是如此的現實。你天天在淘寶看直播，如果不購物，也是屬于“三低”的“一般挽留用戶”。

那看直播的用戶就沒有價值了麼，當然不是，換個平台就行，比如去抖音。

三、RFM在不同類型産品的應用

按照用戶需求劃分，我們可将互聯網産品分為電商類、社交類、内容類、工具類、平台類和遊戲類。

當然有不少産品都往電商上靠，導緻分不清楚。

我們就把握2個原則，一是産品的主營業務，二是自己負責模塊的主要業務。這和在《實戰：解決增長黑客一看就懂，一用就懵的困惑》介紹的制定北極星指标的思路一緻，産品有産品的指标，每個團隊也可以有各自的指标，都是為了公司的商業模式服務的。

（1）電商類

我們熟知的淘寶、京東和拼多多，都屬于電商。按照用戶的購物金額來分層。

（2）社交類

微信和微博都屬于社交類。按照互動數來分層。

（3）内容類

包括頭條、知乎、抖音和快手等，都屬于内容類。按照用戶閱讀/觀看時長來分層。

（4）工具類

包括有道雲筆記、證券類APP、墨迹天氣等都屬于工具類。

工具類比較特殊，每一個工具都有自身商業模式，關注的重點也會不同。

雲筆記可能按照付費會員來劃分，但會比較低頻。可以考慮按照最近一次使用時間、指定時間内的使用次數和指定時間内的文件共享次數來分層。

（5）平台類

同時存在供給和消費2方的才稱之為平台。

比如滴滴，滴滴的供給者是滴滴司機，消費者是普通打車用戶。

從這個角度劃分，淘寶是電商也是平台，有商家和普通消費者。

平台需要同時關注供給方和消費方。而RFM模型更多的應用于消費方，滴滴和淘寶都是按照消費金額來分層。

（6）遊戲類

遊戲類的盈利模式主要有内消費和廣告。

大點的遊戲主要靠用戶内部購買道具、點卡消費，這時就按照用戶的消費金額來分層。

小點的單機版遊戲主要靠廣告，這時就按照用戶的廣告觀看/點擊來分層。

通過前面描述我們知道，可以通過不同的行為來描述RFM，主要是找到産品中衡量用戶價值的關鍵行為，并進行交叉分析和評估。

四、RFM模型的評估

第二節中通過RFM的“高低”來對用戶進行歸類，那怎麼定義“高低”呢？

1. 通過平均數評估

最直接的打分方法就是和平均數作比較，分别求出目标數據的R、F和M的平均值，然後用每個用戶的數據和平均值來比較，然後确定高低。

我們仍以自己30天内在淘寶購物的記錄為例，R=7，F=5，M=500。假設30天内淘寶用戶的平均R=10，F=8，M=800。那你的打分結果為：

• R值：高。低于平均R值的記錄打分為高，因為記錄的R值越低說明最近一次的消費時間越短，用戶的回購周期越短。
• F值：低。低于平均F值的記錄打分為低，高于平均F值的記錄打分為高。
• M值：低。低于平均M值的記錄打分為低，高于平均M值的記錄打分為高。

我們自己消費的最終打分結果為“高低低”，對照第二節中的8類用戶屬于“一般發展用戶”，電商就可以使用針對這類用戶的運營策略來提升價值。

2. 通過中位數評估

按照平均數評估有一個明顯缺陷就是不能排除異常數據，如果有個大戶30天的消費金額特别高，就會拉高整體的消費金額水平，導緻很多用戶被平均拉高。

我們可以考慮使用中位數來評估。作為崇尚數據驅動的我們，對數據要保持嚴謹性。

推薦使用箱線圖來獲得中位數，并能将異常數據特殊處理。

我們以大家熟悉的成績來做說明。

右側英語成績（綠點）都落在2條橙色的橫線之間（2條橙色橫線分别表示最大值和最小值），學生的成績都很正常。

左側數學成績上下各有2個綠點落在了橙色的橫線之外，說明這4個點是異常點，可以進行特殊處理。

采用類似的方法對30天内用戶的消費記錄進行處理後，使用中位數替代上例中的平均數即可。

3. 通過劃分等級評估

按照平均數打分對用戶的劃分力度可能過于粗顆粒。廣為人知的二八法則證明，20%的用戶可能貢獻了80%的收益。如果隻是按照平均數或許在針對用戶的運營策略上不夠精準。

所以對于産品較為成熟、用戶規模較大的情況可以采用等級評估。簡單的做法就是使用透視表查看目标記錄R、F和M各自的分布，然後指定等級。

一般分為5個等級，對應的分值為1~5分。

還是以30天内的淘寶購物為例，對RFM的等級劃分如下：

對照自己30天内購物的記錄（R=7，F=5，M=500），可以确定按照等級劃分後的R’=4，F’=3，M’=3。

将所有用戶的記錄按照等級打分後再計算所有用戶的平均（Average）R值、F值和M值，假設AR=3.8，AF=2.9，AM=4.1。

用自己按照等級劃分後的值與平均值進行比較，确定最後的RFM值：

• R值：高（R’ > AR）
• F值：高（F’ > AF）
• M值：低（M’ < AM）

我們自己消費的最終打分結果為“高高低”，對照第二節中的8類用戶，用戶價值變更為“一般價值用戶”。

從主觀上看一個用戶30天内消費500元還不錯，但通過模型劃分可以很明顯地知道該用戶還有提升的空間。

比如，30天累計消費500元的用戶買的都是衣服，客單價不高，有沒有可能引導用戶消費電子産品呢？

五、精細化運營策略

對用戶價值進行評定的目的是為了進一步提高用戶價值，對不同分類的用戶提升用戶價值的策略手段也略有不同。

“三高”的重要價值用戶：大方向上就是讓用戶安靜地待着，不要過多的打擾。在重要的時間點上增加人文關懷、節日關懷等，能夠發展為KOC(“Key Opinion Consumer”，即關鍵意見消費者)最佳。

• 重要發展用戶：消費頻率低，整體策略就是提升消費頻次。所有能夠提升消費頻次的手段都可以嘗試。手段包括發券、新品推薦等，觸達方式包括短信、Push、郵件等。
• 重要保持用戶：有段時間沒有使用産品了，但是之前的消費頻次和消費金額都是高的，用戶存在流失可能。整體策略是用戶回流，讓用戶再來光顧。手段包括熱門推薦、爆品推薦、運營活動等。還需重點關注競品動态，是不是最近用戶到競品消費去了。
• 重要挽留用戶：最近沒有使用産品了，而且累計的消費頻次也低。這類用戶存在很大的流失可能，需要重點召回。可以給用戶提供最優價格（驚喜優惠）、邀請用戶填寫反饋信息并采取措施（我們一定會做的更好）或者提供個性化服務（讓用戶覺得他非常重要）。

一般價值用戶：策略就是刺激消費，提高客單價。文中案例就是将衣服消費人群想辦法引導到電子消費上。

一般發展用戶：偶爾消費一次，要針對最近消費的産品進行聯想和挖掘，期望能夠提高用戶的消費頻次和金額。

一般保持用戶：曾經消費的頻次挺高，最近也不消費了而且總的消費金額也低，基本上處于流失狀态。

1. 使用趣味性或者暗示性較強的語言快速吸引用戶注意力。比如：【拉勾招聘】有30 大廠HR，急招運營總監人才，薪資60K，點擊參與熱招季活動。
2. 創建好奇心。比如：【今日頭條】曝英偉達7萬多條員工信息遭洩露。
3. 通過模拟真實的好友動态，激發用戶的響應動機。比如：【脈脈】<真實姓名>，你們班的同學邀請大家加入班級通訊錄哦……
4. 給與用戶馬上可享用的利益點進行誘導，要強調專屬、限時，增加歸屬感、緊迫感。比如：【抖音】您的獎勵即将過期，盡快登陸抖音極速版APP查看吧！
5. 圍繞用戶來平台的核心動機，從各角度進行召回。如應聘、折扣、交友等。比如：【探探應用】有一位空姐查看了4次你的個人主頁，點擊查看是誰吧……

一般挽留用戶：通過以上手段，用戶還是處于“三低”狀态，可暫時擱置，把有限的資源投入到更有價值的人群上。

六、靈活運用RFM

RFM模型更常用于電商領域，但是能體現用戶價值的關鍵行為都可以使用RFM來度量。

比如評論行為，就可以使用最近一次評論的時間、指定時間内的評論次數和指定時間段内的評論字數來度量。

筆者曾運用RFM模型來調整新用戶獎勵，直接吸引高價值用戶。

通過RFM對某證券APP的用戶進行分層後，再對比“三高”的重要價值用戶的入金金額，我們發現入金金額高的有很大比例都屬于“三高”人群。

所以在具體手段上通過設定入金金額階梯，給與不同的獎勵，達到了很不錯的效果。

當然，在實際運用中不一定将RFM三個維度都考慮到，也可以選取2個維度兩兩組合，或許有意外收獲。

本文由 @巨蟹小鷗 原創發布于人人都是産品經理。未經許可，禁止轉載。

題圖來自Unsplash，基于CC0協議

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部