【用户运营】手把手教你如何使用RFM进行用户分群.pdf

手把手教你如何使用 RFM 进行用户分群 很多产品中我们都能看到用户分群，比如最明显的会员体系，就是将用户分为了非会员和会员两个群体。 又比如我们现在经常听到的AARRR 模型，也可以说是一种分群方式。那么，什么是用户分群？ 一、什么是用户分群 用户分群，简单的说就是按照某些维度，可以是一个或者多个维度交集，按照一定的规则将用户划分成不同的群 体。例如按照年龄划分： 用户分群可以分成 2 种，明分群和暗分群。 明分群指的是分群规则和对应群体的运营策略都是公开的，目的是利用更高群体的优质服务来吸引用户进行升级。 比如说会员体系，所有产品的会员规则和每一个级别的会员优惠都是明确公开的，商家就是使用更优质的服务来 吸引用户不断升级会员等级。 相反，暗分群指的是分群规则和对应的运营策略都是不透明的，用户并不知道自己被分为了什么群体。 比如价格歧视策略，所谓的大数据杀熟，就属于这一类。 除了用户分群，我们还经常听到另一个概念：用户分层。这两者有什么区别吗？ 简单来说，用户分群，不同的群体之间可能是平行关系，也可能是递进关系，也可能是其他关系。 而用户分层，是一种特殊的用户分群，不同的群体之间存在递进关系。 例如，如果按照性别，可以将用户划分为男女两个群体，这两个群体之间是平行关系，所以这是分群而不是分层。 而如果我们按照AARRR 模型将用户分成 5 个群体，那么这就是用户分层，因为 AARRR 五个群体之间是存在递 进关系的。 同样，会员体系也是一种用户分层。 所以，用户分层是一种特殊的用户分群方式。 那么，为什么要进行用户分群呢？ 随着我们用户规模的不断扩大，单一的运营策略不再能满足所有用户的需求。 例如适用价格敏感型用户的优惠运营策略，就不一定适用于注重高品质的用户。 另外，用户群体大了以后，我们会发现其中 20%的用户贡献了 80%的价值，而公司的资源（包括人力、财力等） 是有限的，不可能照顾到所有的用户，所以就需要筛选出高价值的 20%用户进行重点运营。 二、如何进行用户分群 常用的用户分群方法，包括用户价值区隔分层、用户身份区隔、用户需求区隔和AARRR 模型。 用户价值区隔分层，又分为两个维度：第一，依靠用户生命周期定义对用户进行价值区隔；第二，依靠用户关键 行为对用户进行价值区隔。 而今天我们重点要给大家分享的 RFM 模型，就属于依靠用户关键行为对用户进行价值区隔的方法。 RFM 分别代表用户三种关键行为： • R （Recency），距离最近一次交易，衡量用户的流失情况 • F （Frequency），交易频次，衡量用户的忠诚度 • M （Monetary），交易金额，衡量用户的贡献度 RFM 三个值只分为高低两种情况，结合起来就是 8 中情况： 使用 RFM 模型的一般步骤： 下面，用一个实例来分享下具体的操作方法。 三、RFM 分群实例 例如，从网上获取了 40 多万条电商订单数据，时间是 2010 年 12 月 1 日到2011 年 12 月 9 日。 1. R 值 首先我们计算 R 值，R 值指的是用户距离最近的一次交易，使用最近一次购买日期到现在时间的差距来衡量。 所以，第一步：我们要找出每个用户，最近一次购买的日期 选择所有订单数据，插入数据透视表，行选择客户，列选择购买日期，然后设置购买日期汇总方式为最大值（因 为最近的日期肯定是最大的）。 找出所有用户最近一次购买日期，下一步计算这些日期距今的时间间隔。 使用公式：DAYS360 （开始日期，结束日期），计算出时间间隔 然后，我们要选择一个中值，时间间隔小于中值的用户表示 R 值为高，大于中值的用户表示 R 值为低。 那我们如何选择中值呢？一般有几种常见的方法： • 所有数据的平均值或中值。返回运营方案模板合集：hp:.KGf • 基于一个业务节点的重要值，例如投资理财类的 R 值，一般是 1 个月，因为发工资才有钱投资 • 以二八法则进行推算，80%的用户集中在低频低金额区间，20%的用户集中在高频高金额区间 • Means 聚类算法，这个如果数据分析师小姐姐懂得话，就最好了 这里，我们使用 20/80 法则，发现使用众数作为中值更好。于是我们使用众数和如下公式，为每个客户的 R 值进 行高低标记：=IF(C230,”高”,”低”)。 返回运营方案模板合集 计算出每个用户的 F 值后，我们发现，F 值的众数和最小值是一样的，并且中位数小于平均值，说明有几个很大 的数值拉