作為一種經(jīng)典的客戶分析工具，RFM模型能夠幫助企業(yè)從多個維度評估客戶價值，從而實現(xiàn)客戶分層和個性化營銷。本文將深入探討RFM模型的底層邏輯、計算方法、分類思路以及在實際業(yè)務中的應用價值，幫助大家更好地理解和運用這一模型，提升數(shù)據(jù)分析和業(yè)務決策能力。

RFM網(wǎng)上有很多網(wǎng)紅文章在講，但是大部分都是人云亦云，也沒有和業(yè)務實操結合。今天就做個深度解讀。

RFM模型的底層邏輯

頻次高低，可以衡量用戶偏好程度。這是一條基本原則，比如：

• （R）每天吃蘋果的，比半年吃一次的，更偏好蘋果
• （M）半年吃50斤的，比半年吃2兩的，更偏好蘋果
• （F）半年吃100次的，比半年吃1次的人，更偏好蘋果

所以，依靠統(tǒng)計RFM，可以區(qū)分出輕中重度用戶，從而指導業(yè)務工作。

但是！RFM有局限性，一個人半年吃50斤蘋果，原因很多樣：

1、可能因為愛吃（真正的“偏好”）

2、也可能僅僅因為窮（有錢了，需求就變了）

3、也可能蘋果便宜，賣多了（促銷影響）

所以，僅靠RFM，只能識別用戶，還需要進一步分析，才能做出有價值的分類。

RFM模型的計算

在企業(yè)中，RFM一般用于統(tǒng)計用戶消費行為

• R（recency）最后一次消費距今多久
• F（frequency）最近1段時間內消費頻率
• M（monetary）最近1段時間內累計消費金額

統(tǒng)計后形式如下表所示，每個用戶有對應的RFM指標數(shù)值。

這里有5個要點注意：

1、RFM以用戶ID為單位進行統(tǒng)計，如果沒記錄用戶ID，只有訂單小票的流水號，則沒法用這個模型，至少得有個手機號做ID。

2、F值統(tǒng)計規(guī)則要看業(yè)務場景，如果一天內可能多筆、反復交易，可以統(tǒng)計有交易天數(shù)，如果一個天之內一般只交易一筆，或者好多天一筆，可以統(tǒng)計筆數(shù)。

3、最近1段時間，到底看多久？和業(yè)務特點有關系。原則上，越高頻的業(yè)務，看得時間越短，比如都是零售，如果是生鮮可以以周為單位統(tǒng)計（人每天要吃飯）如果是日雜可以以月為單位統(tǒng)計。

4、新用戶因為時間太短（比如注冊不足1周/不足1個月）則單獨統(tǒng)計，RFM適用于有一定時間（比如3個月以上）的老用戶。

5、R的分段原理同上，越高頻的業(yè)務，R分段越短。如果是生鮮可能以天來看。越低頻的業(yè)務，比如理財、貸款，可能以月甚至季度為單位來看。

RFM模型的分類

基于RFM三個指標，可以進一步做分類。站在業(yè)務的角度，R值的意義就是喚醒。R越遠，越需要喚醒，且喚醒難度越大，所以R一般單獨看。M+F則做進一步矩陣分類。

比如在零售/電商業(yè)務中，M值高的用戶一般后續(xù)購買動力也高，因此要重點提升其F值，把他先留住。而F高、M低的用戶則意味著機會，可以嘗試做增量/交叉營銷，以提升M。因此實操的時候，一般如下分類：

RFM模型的使用方式

在RFM做了分類的基礎上，進一步考慮用戶購買品類、折扣等因素，才可以推導出可落地的業(yè)務建議。

比如，即使用戶RFM值完全一樣：

• 都是購買了3000元，買1臺空調VS買1件衣服的不一樣
• 都是購買了3000元衣服，一次買5件上衣和一次買整套穿搭的不一樣
• 都是購買了3000元，原價購買3000與打8折下實際花3000不一樣

因此，一般對M或F值較高的用戶群體，會進一步分群。分群時，考慮自己公司的產(chǎn)品特點，區(qū)分折扣率、區(qū)分對新品/搭配的偏好。從而推導可落地的影響策略。

至于MF值較低的用戶，一般與我司還沒有建立啥感情，直接用當季新品、大折扣商品、爆款產(chǎn)品、引流產(chǎn)品輪番轟炸，試著提升M、F以后再做分群（如下圖）。

RFM的擴展應用

當你理解了RFM的原理之后，你會發(fā)現(xiàn)它非常好用，除了零售消費外，只要符合以下條件的，都可以用RFM模型：

1、用戶行為頻率很高

2、用戶之間行為差異很大

3、需要考察一段時間內累計行為

4、重度用戶有類型偏好差異

比如互聯(lián)網(wǎng)行業(yè)的，內容型產(chǎn)品（短視頻、小說、社區(qū)論壇）、工具型產(chǎn)品（在線文檔、OA等SAAS產(chǎn)品）和社交產(chǎn)品。比如逛知乎，用戶瀏覽行為非常多，且看一篇文章時間很短，轉發(fā)點贊也都是一瞬間的事。此時可以仿效RFM模型，構造一個分析用戶行為的模型。

比如統(tǒng)計：

• R（recency）最后一次登錄距今多久
• F（frequency）最近1周內登錄頻率
• Q（quantity）最近1周內累計登錄時長

此時，就可以區(qū)分出輕中重度用戶，并且根據(jù)R值大小，制定召回計劃。我們姑且管它叫RFQ模型好了（如下圖）。

同RFM的弱點一樣，RFQ并沒有考慮用戶的內容類型偏好，因此需要結合內容類型來看。特別是針對F、Q較高的用戶，要關注其是否對某一個垂直內容/特殊功能有重度需求。對于FQ都很低的用戶，處理原理同樣是：用爆款內容去轟炸，先撩起興趣再說。