“大家好，我是李启方!今天跟大家分享基于RFM模型的用户价值分析。
业务指导：RFM如何指导实际业务？
1、RMF模型的传统用法
一般来说，我们可以把每一位用户的 RFM 这三个值分别和他们的平均值做比较，大于均值的为一，小于均值的为0，再根据这几个字母的组合方式把用户分成 8 类。这种传统的划分方法非常复杂，且存在不足。
传统方法的不足在哪儿呢？
传统用法的第一个不足是这8类用户对应的营销策略很局限，要么发展，要么挽留，最多在面对不同类的客户时，发展或者挽留的程度和手段不同而已。
比如对重要价值客户和一般客户的发展策略的区别，前者的忠诚度高，只要保持一定的关注度和同时提供一些专属优惠就可以了，但是对一般的客户，需要增加对他们的关注，以及加一些积分奖励之类的手段来刺激他们的消费。
采用挽留的策略，重要挽留客户需要提供关怀回访或者一些大额的个性化优惠，对流失客户来说，其实就顺其自然的让它流失了，这个也是事物发展的必经阶段。但是需要注意的是，如果我们只是很简单的将策略应用在某一类的所有用户身上，就难免会出现一些潜在的问题。比如说重要挽回客户这一个群体，它的特点是最近没有消费，消费的频率比较低，消费金额高，那这部分群体当中可能有部分是忠诚度很高的客户，只是他比较喜欢囤货而已。那囤货客户的特征一般是它的消费频率都很低，但是一买就是大手笔，那忠诚度这么高，其实我们没有必要花心思去挽留。
又比如说一般客户最近没有消费频率高，但是它的消费金额低。这一部分当中有一部分可能是喜欢薅羊毛的客户，他们只会在促销活动时进行一些数额比较低的消费，那如果又在他们身上花心思的话，那其实就跟钱跟把钱往水里扔没什么区别。当然喜欢薅羊毛或者喜欢囤货的用户，不一定只存在于某一个特定的类别，上面提到的这些问题和例子只是为了说明如果同时考虑 RFM 这三个指标，而且盲目使用营销策略，那结果往往不尽人意。接下来会展示一些更加贴合业务实际的。
传统用法的第二个不足就是，如果把RFM 模型应用到每一个品牌里面，那会拆分得非常琐碎。这三个字母本身就拆成了 27 类， 27 类的意思是 RFM 这三个字母每一个字母的等级都是低中高，然后 3 * 3 * 3 就是 27 类。结果分析到最后发现从渠道看大部分用户都是来源于同一个渠道，即使对这批用户做了一个RFM的分层，那这大部分的用户也就只能用同一种方法，没有办法说实现精准营销。
2、更贴合实际的RFM用法：以薅羊毛/囤货用户识别为例
更贴合实际做法是先把F和M这两个字母分类清楚，找到一些大客户和特殊客户，再看推广渠道，这样的落地会简单很多，因为指标R反映了客户最近一次的购买时间，它是用来衡量客户的活跃度。行业不同需要关注R值的重要程度也不同，可以放在最后考虑。比如日用品客户的消费频率一般都比较高，所以哪怕R值很高，其实并不是我们首要关注的目标。而在高端奢侈品或者大型的家电，那指标R虽然低，也会成为评估客户活跃度和忠诚度的重要依据。
我们这次案例是美妆个护领域，我下图右边做了一个交叉表，先把M和F这两个字母考虑进来，他们的分布情况优先考虑平台的营销策略，因为字母M也就是平均消费金额，它的高低对应了不同的优惠力度和手段，然后消费频次F，它则对应了不同挽回的手段。
这个导图中列出了三种情况，F等于 0 是通常不需要过多的考虑，只需要跟运营反馈就可以，说明这个推广完全没有触达用户。F等于1，这是非常特殊的一个分支值得单独拿出来考虑，15 年到 18 年三年间，用户只消费一次的大概是两种情况，一是用户不太感兴趣，只消费了一次，二是用户消费的那一次你为了薅新客羊毛，因为喜欢薅羊毛的用户会通常在活动促销，产品特价这几个场景的时候才购买，所以它的F值和M值一般都会比较低。
专薅新客优惠的羊毛用户
薅羊毛的用户群体当中有一类特别的极端，指专门薅新客优惠的群体，所以他们的特点是F值等于1，而且在消费时使用了优惠，也就是商品的售价大于消费金额，所以这里把F等于1的用户数全部提取出来以后，然后再对商品售价和消费金额做筛选。像下图红框里的消费记录，售价710元的商品，用户只花费了10元，这就乐意判断是薅羊毛的用户。
虽然这样并不是特别严谨，但是我们可以直接把商品售价大于消费金额的用户会员卡号全部提取出来，把他们传送给运营部门，让他们去查看哪一些用户是专门薅新客优惠的，哪一些是正常流入被吸引进来，他获得新客优惠后会进行一些正常的消费。
目前没有对这一户进行更深层次的探索，没有办法 100% 的把握把它判定成是专门薅新客优惠的羊毛用户。那为了做到不错杀真实用户，可以根据用户的一些购买历史和行为习惯来针对性的提供优惠，这样，增加了对真实用户的吸引力的同时减少对羊毛党的吸引。我们也可以验证用户的身份，例如要求他在购买时提供手机号码、邮箱地址或者相关的信息，这样可以防止羊毛党使用机器人来批量购买和批量获益。
普通羊毛用户
普通羊毛用户的特点是在消费频率F大于等于 2，它的F值和M值都比较低，又或者说F值高，但是M值低也就是倾向于在有折扣和优惠的时候才进行消费。对待这些对优惠敏感的普通羊毛党，美妆客户平台可以进行个性化的推荐和优惠，为了提升他们的忠诚度，建立一个有等级的梯级会员计划，这样来吸引羊毛党成为中层会员，入会后以一种梯度渐进的方式给他们提供积分和奖励来鼓励他们参与购买和留存。
普通羊毛党比较喜欢分享和推荐活动，就可以鼓励他们分享优惠信息，通过提供额外的奖励或者折扣激励他们推广平台下面的各个品牌。同时也可以通过一些类似引荐计划的活动来激励普通羊毛党邀请新注册用户并购买。
识别囤货用户
喜欢囤货的用户，他们的特点是他的F值低M高，他喜欢在大促销活动的时候进行高额的消费，消费次数很低。那这些用户也通常会在节假日新品上市，季节转换的这几个时间点囤货。那面对这些用户的话，我们的策略是推出现实的折扣，买一送一，赠品，限量版的产品来吸引他们。
还有老客户回馈计划，针对这些忠诚度比较高的用户，设立计划给他们给予一些额外的折扣赠品或者积分奖励，来激励他们继续囤货。也可以尝试进行一些新产品的推荐和试用。因为有一些囤货用户可能会存在喜旧厌新的心理，尝试新产品会有风险，尤其是护肤品类。对此，可以定期的向这些用户推荐即将上市的产品，并且免费提供试用并保障风险，比如说过敏包退包赔、 7 天无理由之类，激发他们的尝试和购买的欲望.
将R值考虑进来
再把F值和M值这两个交叉表给理清楚以后，我们就可以引入字母R。
对普通用户引入R
发送一些个性化的回馈优惠券或者活动邀请，这样可以提醒他们品牌的存在感，并且激发他们购买兴趣。如果这些普通用户已经很久没有消费了，那可以给他们提供一些独家的优惠和免费的礼品来促使他们重新进行消费。
对囤货用户引入R
如果他们只是小段时间没有来买，可以使用低成本的营销手段，比如自动化的发布一些存货的提醒。如果已经很久没来购买了，那可以提供独家的囤货优惠，提前购买的权益来增加他们的忠诚度。这个操作是可以强调用户的特权和独家权益，能够让囤货用户感受到自己是品牌的一部分，从而增加他们的忠诚度和激励购买欲。
对高价值用户引入R
如果高价值用户有一段时间没有进行消费，这个时候就需要进行成本比较高的营销手段，比如发送专属的活动，邀请 VIP 会员权益，或者提前免费试用新品的机会来强调他们的重要性和特殊地位，从而令他们持续的保持一些高价值的购买行为。
下面是小结今天的案例分享。因为资源是有限的，所以需要合理分配来使效率最大化，引入了用户价值分析的重要性，RFM 模型之所以经典好用的原因。求解每一个字母的方式有两种，一是根据业内的特殊行业的特殊规则，二是根据百分位数。求解完字母后，使用这几个字母来指导实际的业务，又分析了传统的分析方法的不足，以及提出了新的先将M和字母F进行交叉分析，再分析R的分析方法。最后用一个美妆个护平台的案例，以识别囤货用户和薅羊毛用户为例，完整的演练了一遍RFM的实操。
接下来是答疑的环节，看看大家有没有什么问题。
有一位同学问：输出一份分类的客户清单给运营的同事吗？输出客户清单给运营同事以后怎么后续量化效果？
是的，可以把每一份用户群体的名单输出给运营。让运营来帮你分析这一些用户会不会是真的羊毛党，因为有分析可能会错。后面这个问题涉及到跨部门的协作，输出清单给运营在审核后发现这个方法确实是识别出了 80% 的羊毛用户，可以记录下来，写到简历里也好，或者请运营同事在汇报的时候提一嘴也好，比如说数据分析部门的某某同学，在他的帮助下，我们成功识别出了多少羊毛用户，之后进行了及时的干预，干预的时候用了多少成本，产生了多少收益，也是减少的损失。
王兰兰同学问到：如何根据数据选择适合的模型？
这个问题会比较宽泛，根据不同的领域，以及做这份数据做的目的。比如你是想用聚类来探寻数据，还是你已经有了明确的目的，对数据进行预测。我的个人公众号有比较多的这个算法的案例讲解。
问：采用打分的方式对客户进行分类，打多少分合适，这个该怎么判断呢？
根据数据集的特征，或者指标，它要么就只有两个值，比如说消费的频率，消费一次或者消费两次，那根本就不存在说你有 5 分可以打。把它划分成两个等级，要么是1，要么是2。在打分方式中，很值得注意的一点是每一个这个字母不一定只由一个指标来组成，也就是比如F不一定只有消费频率这一个指标来组成，它可能是有很多个指标，我通过一些算法压缩，或者根据自己的业务知识和背景，压缩或者提取成一个用来代表这个字母F的就可以了。
问：从多个维度对客户进行分类，但RFM 只有三个维度，这里的打分该如何根据情况去打？可以详细说说吗？
虽然说RFM 只有三个维度，代表三个核心指标，但是可以使用类 RFM 模型， RFM 模型的一种衍生或者变体，一套指标中，比如说你的数据集有20 个指标，可以把其中的六个指标都把它当成R，再根据业务情况的权重，对这六个指标进行一个重要性的排序，要把它们赋予一个权重，然后相乘。把权重乘到你的这一个指标列那里，然后综合来这样去考虑。权重系数确实是根据经验赋值，有一种数据分析方法叫MECE， MECE是帮助管理领导，他们对重要性模棱两可的时候，用拆分方法来对指标进行赋予权重。
