摘要：RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段，在產品運營工作中有著非常大的作用，也是構建用戶畫像體系的一個非常重要的子模型。本文主要從模型介紹、操作方法、指導實踐三部分淺析RFM模型在日常的運營工作中如何運用。
1. 模型介紹
根據美國數據庫營銷研究所Arthur Hughes的研究，用戶的行為數據中有三個“上帝指標”，分別為：最近一次消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)。對于不同產品及不同的實踐目標來說，上述三個指標有所不同。如：對于人人都是產品經理這樣的社區產品來說，Recency可以指用戶最近一次登錄、點贊、評論、發文章；Fquencrey可以指近一個月/周的登錄次數、點贊次數、評論次數、發文章次數；Monetary則可以指打賞的金額、獲得打賞的金額。
對于這三個指標展開分析，可以幫助我們挖掘出用戶行為數據中很多有用的東西，用于指導實踐。同時可將這三個指標進行組合或者兩兩組合以得到不同的RFM矩陣。
如上圖所示，利用Recency和Frequency的組合得到RF矩陣。第一象限用戶在指定周期內消費頻率高，但消費時間都集中在初期，需要對其進行進行召回，又或者此類用戶是月光族類型，習慣在月初大量購買，那么我們可在每月初對其進行促銷、活動信息推送刺激消費，其他可依此分析。
通過該模型的分析結果，可以指導我們運營童鞋的日常運營工作，做到有的放矢。這也是我們建立RFM模型的最終目標，不可沉醉于數據分析中，數據分析的最大妙處在于指導實踐，整個分析過程中要時不時問問自己的內心：我分析這些到底要干嗎？
2. 操作方法
哲學上說：“理論來源于實踐并指導實踐”。因此，本文以一“案例”來說明該模型的具體操作辦法。
案例背景：產品為電商平臺，共有6月份20個用戶的數據，詳細指標說明如下圖：
所用軟件及方法：SPSS，K均值聚類（該算法是很典型的基于距離的聚類算法，采用距離作為相似性的評價指標，即認為兩個對象的距離越近，其相似度就越大）。
分析思路及過程：首先利用SPSS對20個用戶進行聚類，本文將其分為了3類，再對這3類分別做統計分析，如表2.1：
第一類用戶在近一個月內購買頻次低，客單價高，且上次消費距今1月之久。
第二類用戶在近一個月內購買頻次高，客單價低，且上次消費距今最近，用戶數也最多。
第三類用戶單從數據上有些不正常，因為客單價較高，頻次高（一月接近5次），但上次消費距今竟然有22天，也就是說這類用戶在月初的8天大概每兩天消費一次，在后20天再沒下過單。
3. 指導實踐
筆者認為，一切的數據分析也好，研究報告也罷，都要以指導實踐為目標。因為筆者非常信奉growth hacker的信念：一切以增長為目標。
回到本文，但就表2.1的數據，還不足以指導實踐。我們需要進一步挖掘。接下來需要做的事情有兩點：①拉出這些用戶的畫像明細（包括年齡、性別等）、②拉出這些用戶購買的品類。
雖然本文的數據為隨機生成，但仍基于數據進行信息挖掘。第二類用戶購買的產品因頻次高（1月近4次）客單價低（每次20元左右）且用戶占比還高，品類應為洗發水、紙巾等快消家用品。這些用戶應為平臺的忠實用戶，1個月在平臺購買4次多，但每次消費較低。雖然快消品類毛利低，但品類繁多且非標，消費周期短，是提升用戶活躍度的好品類，只要能增加用戶在平臺上活躍的時間，一定有辦法將毛利高的產品賣給他們。因此，第二類用戶現在應該重點運營，因此忠實于平臺但消費金額較低，有很多價值可挖掘。我們可以經常推送給他們優惠券等信息。第三類用戶從數據上看比較特殊，但別忘了時間這個重要指標。本文的數據假設為6月，6月初有什么？沒錯，618全民年中購物節。該類用戶應該是在促銷的那幾天大量密集購買，伴隨著活動的結束錢包也消瘦了，因此后期未有購買行為。第一類用戶購買的品類不太好猜測，但他們都在月初購買（方差也很小），且客單價較高，應該重點分析下用戶畫像。這類用戶，很可能近期流向了其他平臺，應該根據用戶特點等進行針對性的用戶召回，可采取的措施包括內容營銷、活動召回（可考慮針對這些用戶開啟白名單做些特殊的活動）。另外，應該對他們最后一次的用戶行為進行仔細的分析，看其在最后一次購物行為中發生了什么“不愉快”的事情導致流失（是物流原因、售后原因亦或產品體驗）。如有必要，可對該類用戶做調研。
RFM模型還有很多東西可以挖掘，就看我們如何進行創新地分析。數據分析既是科學也是藝術，不同的視角會帶來意想不到的發現。
