從事用戶運營多年，一直都是在不斷摸索中成長。從畢業后進入到國內知名化妝品公司-電商事業部，再到到國內top3堅果零食企業，一直都想花時間把自己對用戶這一塊的摸索積累記錄下來，同時用自己的實踐即使可以給大家一點點幫助也覺得很有意義。
今天想先談談傳統企業和電商談的較多的RFM模型，在眾多的客戶細分模型中，RFM模型是被廣泛提到和使用的。
一、RFM模型概述
RFM模型是網點衡量當前用戶價值和客戶潛在價值的重要工具和手段。RFM是Rencency（最近一次消費），Frequency（消費頻率）、Monetary（消費金額），三個指標首字母組合，如圖所示：
R值：最近一次消費（Recency）
消費指的是客戶在店鋪消費最近一次和上一次的時間間隔，理論上R值越小的客戶是價值越高的客戶，即對店鋪的回購幾次最有可能產生回應。目前網購便利，顧客已經有了更多的購買選擇和更低的購買成本，去除地域的限制因素，客戶非常容易流失，因此CRM操盤手想要提高回購率和留存率，需要時刻警惕R值。
如下圖，某零食網店用戶最近一次消費R值分布圖（時間截至2016年12月31日）：
1、客戶R值呈規律性的“波浪形”分布，時間越長，波浪越小；
2、最近一年內用戶占比50%（真的很巧）；
數據分析：這個數據根據向行業內專業人員請教，已經是比較理想了的。說明每引入2個客戶，就有一位用戶在持續購買。說明店鋪復購做的比較好，R值在不斷的變為0。
F值：消費頻率（Frequency）
消費頻率是客戶在固定時間內的購買次數（一般是1年）。但是如果實操中實際店鋪由于受品類寬度的原因，比如賣3C產品，耐用品等即使是忠實粉絲用戶也很難在1年內購買多次。所以，一般店鋪在運營RFM模型時，會把F值的時間范圍去掉，替換成累計購買次數。
如下圖，某零食網店用戶購買頻次圖（如1個客戶在1天內購買多筆訂單，則自動合并為1筆訂單）：
1、購買1次（新客戶）占比為65.5%，產生重復購買（老客戶）的占比為34.4%；
2、購買3次及以上（成熟客戶）的占比為17%，購買5次及以上（忠實客戶）的占比為6%。
數據分析：影響復購的核心因素是商品，因此復購不適合做跨類目比較。比如食品類目和美妝類目：食品是屬于“半標品”，產品的標品化程度越高，客戶背叛的難度就越小，越難形成忠實用戶；但是相對美妝，食品又屬于易耗品，消耗周期短，購買頻率高，相對容易產生重復購買，因此跨類目復購并不具有可比性。
M值：消費金額（Monetary）
M值是RFM模型中相對于R值和F值最難使用，但最具有價值的指標。大家熟知的“二八定律”（又名“帕雷托法則”）曾作出過這樣的解釋：公司80%的收入來自于20%的用戶。
這個數據我在自己所從事的公司總都得到過驗證！可能有些店鋪不會那么精確，一般也很會控制在30%客戶貢獻70%收入，或者40%貢獻60%收入。
理論上M值和F值是一樣的，都帶有時間范圍，指的是一段時間（通常是1年）內的消費金額，在工作中我認為對于一般店鋪的類目而言，產品的價格帶都是比較單一的，比如：同一品牌美妝類，價格浮動范圍基本在某個特定消費群的可接受范圍內，加上單一品類購買頻次不高，所以對于一般店鋪而言，M值對客戶細分的作用相對較弱。
所以我認為用店鋪的累計購買金額和平均客單價替代傳統的M值能更好的體現客戶消費金額的差異。
教大家一個特別簡單的累積金額劃分方法：將1/2的客單價作為累積消費金額的分段，比如客單價是300元，則按照150元進行累計消費金額分段，得出十個分段。
現以國內某知名化妝品店鋪舉例，店鋪平均客單為160元，因此以80元作為間隔將累積消費金額分段，從表中可以很明顯發現，累計消費160元以下用戶占比為65.5%（近2/3），貢獻的店鋪收入比例只占31.6%（近1/3），具體如下：
二、基于RFM模型的實踐應用
作為CRM操盤手，主要有兩種方法來分析RFM模型的結果：用基于RFM模型的劃分標準來進行客戶細分，用基于RFM模型的客戶評分來進行客戶細分。
1、基于RFM模型進行客戶細分
CRM實操時可以選擇RFM模型中的1-3個指標進行客戶細分，如下表所示。切記細分指標需要在自己可操控的合理范圍內，并非越多越好，一旦用戶細分群組過多，一來會給自己的營銷方案執行帶來較大的難度，而來可能會遺漏用戶群或者對同個用戶造成多次打擾。
最終選擇多少個指標有兩個參考標準：店鋪的客戶基數，店鋪的商品和客戶結構。
店鋪的客戶基數：在店鋪客戶一定的情況下選擇的維度越多，細分出來每一組的用戶越少。對于店鋪基數不大（5萬以下客戶數）的店鋪而言，選擇1-2個維度進行細分即可。對于客戶超過50萬的大賣家而言可以選擇2-3個指標。
店鋪的商品和客戶結構：如果在店鋪的商品層次比較單一，客單價差異幅度不大的情況下，購買頻次（F值）和消費金額（M值）高度相關的情況下，可以只選擇比較容易操作的購買頻次（F值）代替消費金額（M值）。對于剛剛開店還沒形成客戶粘性的店鋪，則可以放棄購買頻次（F值），直接用最后一次消費（R值）或者消費金額（M值）。
通過RFM模型評分后輸出目標用戶
除了直接用RFM模型對用戶進行分組之外，還有一種常見的方法是利用RFM模型的三個屬性對客戶進行打分，通過打分確定每個用戶的質量，最終篩選出自己的目標用戶。
RFM模型評分主要有三個部分：
1、確定RFM三個指標的分段和每個分段的分值；
2、計算每個客戶RFM三個指標的得分；
3、計算每個客戶的總得分，并且根據總得分篩選出優質的客戶
比如，實操的過程中一般每個指標分為3-5段，其中R值可以根據開店以來的時間和產品的回購周期來判定，F值根據現有店鋪的平均購買頻次，M值可參考上文客單價的分段指標。
舉個例子：
確認RFM的分段和對應分段的分值之后，就可以按照用戶情況對應進行打分。
這個時候可能有人會對此產生質疑，我如何驗證這個給予的分值就是合理的呢？確實我也暫時沒有辦法給予和科學研究的回復，如果需要驗證的話，每次對用戶數據進行導入之后，需要用算法模型進行回歸驗證。
但是這樣太復雜也太麻煩，如果有朋友感興趣的話可以進行驗證，能夠根據不同店鋪的情況，對于每個指標的賦值進行一個更加科學合理的定值。
以上僅為個人工作的總結，如有疑問歡迎交流。感謝~
