百度建立网站需要花多少钱,建立网站加强家园沟通和联系的利弊,找房网,加强网站建设的意见一、RFM基本原理
RFM是三个单词的缩写#xff1a;
最近一次消费时间#xff08;Recency#xff09;#xff0c;取数的时候一般取最近一次消费记录到当前时间的间隔#xff0c;比如#xff1a;7天、30天、90天未到店消费#xff1b;直观上#xff0c;一个用户太久不到…一、RFM基本原理
RFM是三个单词的缩写
最近一次消费时间Recency取数的时候一般取最近一次消费记录到当前时间的间隔比如7天、30天、90天未到店消费直观上一个用户太久不到店消费肯定是有问题得做点什么事情很多公司的用户唤醒机制都是基于这个制定的。 一定时间内消费频率Frequency取数时一般是取一个时间段内用户消费频率。比如一年内有多少个月消费一个月内有多少天到店等等直观上用户消费频率越高越忠诚很多公司的用户激励机制都是基于这个制定的买了一次还想让人家买第二次。
一定时间内累计消费金额Monetary取数时一般是取一个时间段内用户消费金额比如一年内有多少消费金额直观上用户买的越多价值就越大很多公司的VIP机制是基于这个指定的满10000银卡满20000金卡一类。 频次和金额本身可以做一个二分类矩阵也非常好用如左图〉。
特别是这个二分类和用户注册时间、用户参与活动頻率、参与活动金额占比再结合能有更多解读。比如国货用户如果大比例是利用促销国货就得调整促销商品或者奖励力度比如边缘用户是新人多还是老人多业务含义也不同。RPn不是唯一 的定势完全可以研发出FMRregister time FMRpromotion 等模型。
所以即使单独看这三个维度都是很有意义的。
当然也有把三个维度交叉起来看的如下图 最典型的就是生鲜人天天都要吃饭7天不吃可能就有问题普通的快消品零售可能取30天类似服装百货零售可能取90天当然更多的做法是按月取比如R按月取F、M算最近一年内的数值——这样做单纯是因为比较方便理解而已。
RFM本质上是一种用三个分类维度找判断标准方法通过三个维度的组合计算能判定出用户的好坏然后采取对应措施。
RFM的真正意义在于这是一种从交易数据反推用户价值的方法因此可行性非常高
要知道做数据分析的最大瓶颈是数据采集而只要是个正常企业交易数据是肯定有的因此只要企业建立了用户ID统一认证机制就能将用户ID与交易数据关联起来就能用RFM来分析用户了即使没有埋点、没有网站、没有基础信息也能做简直是方便好用的神器。 二、RFM的最大短板
RFM最大的短板在于用户ID统一认证不要小看这几个字在相当多的企业里非常难实现。
比如你去超市、连锁店、门店买东西往往收银小妹会机械的问一句有会员卡吗如果回答没有她也放你过去了导致的结果是线下门店的订单一般有70%-90%无法关联到用户ID进而导致整个用户数据是严重缺失的直接套RFM很容易误判用户行为。
至于用户一人多张会员卡轮流薅羊毛多个用户共同一张VIP卡拿最大折扣店员自己用亲戚的卡把无ID订单的羊毛给薅了之类的事更是层出不穷而且在实体企业、互联网企业都普遍存在。
所以做RFM模型的时候如果你真看到111类用户别高兴太早十有八九是有问题的现在的企业往往在天猫、京东、自有微商城、有赞等几个平台同时运作更加大了统一认证的难度如果没有规划好很容易陷入无穷无尽的补贴大坑。 三、RFM的深层问题
即使做好了用户ID统一认证RFM还有一个更深层的问题。
让我们回顾一下RFM模型的三个基本假设
R用户离得越久就越有流失风险F用户频次越高越忠诚M用户买的越多越有价值
反问一句这三个假设成立吗
如果不结合具体行业、具体产品、具体活动来看似乎是成立的但是一旦具体讨论就会发现很多场景不满足这三个假设因此单纯讲RFM不结合产品、活动是很容易出BUG的。
R用户离得越久就越有流失风险
如果是服装这种季节性消费用户间隔2-3个月是很正常如果是手机、平板这种新品驱动产品间隔时间基本跟着产品更新周期走如果是家居、住房、汽车这种大件耐用品R就没啥意义用户一辈子就买2次如果是预付费后刷卡的模式R就不存在了需要用核销数据代替。
所以R不见得就代表着用户有流失风险特别是现在有了埋点数据以后用户互动行为更能说明问题。
F用户频次越高越忠诚
如果用户消费是事件驱动的比如赛事、节假日、生日、周末如果用户消费是活动驱动的比如啥时候有优惠啥时候买如果用户消费是固定模式的比如买药的用量就是30天。
以上情况都会导致F的数值不固定可能是随机产生的也可能是人为操纵的。
很多企业僵硬地执行RFM模型往往会定一个固定的F值比如促使用户买4次因为数据上看买了4次以上的用户就很忠诚结果就是引发用户人为拆单最后F值做上去了利润掉下来了。
M: 用户买的越多越有价值
如果用户是图便宜趁有折扣的时候囤货呢如果用户买了一堆已经吃腻了、用够了呢如果用户买的是耐用品买完这一单就等十几二十年呢如果用户消费本身有生命周期比如母婴游戏已经到了生命周期末尾呢
很多情况下用户过去买的多不代表未来买的多这两者不划等号因此真看到011、001、101的客人别急着派券整明白到底出了啥问题才是关键。
除了单独维度的问题外三个维度连起来看也容易出问题因为很多公司的用户结构不是金字塔形而是埃菲尔铁塔型——底部聚集了太多的不活跃用户且不活跃用户大多只有1单或者只有几次登录便流失因此RFM真按八分类化出来可能000的用户比例特别多。
这意味着现有存活的用户可能是幸存者偏差的结果现有的111不是000的未来要更深层次地分析为啥会沉淀大量不活跃用户甚至从根上改变流程才能解决问题真按照RFM生搬硬套。可能就把业务带到死胡同里了。 四、RFM的典型乱用
RFM本身并没有错在数据匮乏特别是缺少埋点数据的情况下用RFM比不用RFM好太多了。
RFM的三个维度每一个都很好用RFM的整体架构也适合用于评估用户经营的整体质量。
错的是生搬硬套RFM不做深入分析错的是看到买了大单的就叫爸爸看到用户不买就急着发券的无脑做法一味派券不但严重透支营销成本更会培养出更多薅羊毛用户破坏了正常经营只为了RFM的数值好看。
特别是网上文章、网课最喜欢教的按RFM每个拆分成5段分成5*5*5125类然后再用K均值聚类聚成5-8类的做法更是大错特错。
经过K均值聚类以后连RFM原有的含义清晰的优点都没有了到底这8类咋解读非常混乱。这样做没有考虑数据滚动更新过了一周或者一个月RFM指标都变了呀难道你还天天把全量用户拿出来聚类吗。k均值聚类不是一个稳定的分类方法无监督的分类更适合做探索性分析隔了一周一个用户被分成完全不同的两类这会让市场营销、运营策划执行政策的时候非常抓狂一天一个样到底要推什么 五、如何让RFM更有用
综合RFM失效的场景可以看出季节性、商品特征、促销活动、节假日事件、用户生命周期这五大要素都会影响到用户的行为因此不局限于RFM深入研究用户场景非常关键。
注意这五大要素研究起来并没有想象中的难。比如很多商品有内在的关联性只要熟悉业务就能整明白比如季节性、节假日事件本质上都和时间有关因此对用户登录、消费的时间打上标签就能进行分析如下图。
促销活动也是同理促销活动可以直接从订单识别出来因此也很容易给用户贴上——促销敏感型的标签。
