RFM 模型和应用

【背景介绍】

网站一般对新用户和流失客户会做专门的运营活动，从开源和节流两个层面上保证付费盘子的扩大，收益也比较有效，但对于现金牛用户（除了新用户和流失客户）却很少进行精细化运营，从而难保证营收的最大化。这里我们引入用户分层的模型RFM，来解决此精细化运营问题，此模型在电信等其他行业已经成熟运用。

RFM（Recency，Frequency，Monetary）分析是一种marketing技术，主要是通过分析付费用户的行为，对付费用户进行分层，从而达到精准营销的目的。可参考 : RFM模型_wiki。RFM的变体 RFD（Recency，Frequency，Duration）也可用与于对网站用户的其他行为分析，详情及其他变体不在此赘述。

【参数解释】

• R：最近一次消费距今天数(Recency)
• F： 消费频率(Frequency)
• M：消费金额(Monetary)

【前提假设】

• 最近购买产品的用户更容易产生下一次消费行为
• 消费频次高的用户，用户满意度高，忠诚度高，更容易产生下一次消费行为
• 消费金额高的用户更容易带来高消费行为
• 具有相同RFM_value  的用户有相似的市场行为

【数据挖掘&数据化运营】

这里主要介绍RFM模型在付费用户的应用（Case Study），主要分为以下几个步骤：
Step1，RFM 分析和付费用户分层（cluster）
Step2，预测用户在不同cluster的流转 （classification）
Step3，付费用户的产品推荐（association rule）

具体环节参考图1：

图 1

一、RFM分析和付费用户分层

1.1 RFM指标重新定义

• R (Recency)近度，用户最后一次付费（cash）日期距今天数
• F(Frequency) 频度，用户在半年时间内的付费（cash）次数
• M(Monentary) 值度，用户在半年时间内总付费（cash）金额

1.2 RFM分析

R-F-M分别按照5,4,3,2,1进行赋值,分别给出R_Score,F_Score,M_Score,

• R 按照数值递减排列，按数值区间依次分别赋值5,4,3,2,1
• F 按照数值递增排列，按数值区间依次分别赋值5,4,3,2,1
• M 按照数值递减排列，按数值区间依次分别赋值5,4,3,2,1

1.3用户分层（聚类方法）

按照R_Score，F_Score，M_Score进行用户聚类，采用方法为K-Means，后续优化采用K-Means + + ，共分8类，并给RFM赋予权重（目前权重采用R:F:M = 0.25:0.25:0.5），计算各类的用户价值。

1.4 结果解释

• 【cluster4,3,8】重要价值客户，占比18%
• 【cluster5,7】重要保持客户 ，用户近度比较低，需要关怀
• 【cluster6】重要挽留客户，用户近度和频度都较低
• 【cluster2】一般发展用户，用户频度和值度较低，可做up营销
• 【cluster1】44%的用户贡献值很低，为无价值客户，可以采用一般挽留手段

说明：

• 这里将真实数据做隐藏，为商业机密
• 用户分为8个cluster
• 最后一次付费距今，购买频次，总付费金额，R，F，M均为每个cluster的均值
• 客户价值 = 0.25*R + 0.25*F+0.5*M，反映用户的价值

1.5 数据运营案例

这里先选取重要保持客户【cluster5,7】作为营销的案例，主要分为2个环节：营销测试和营销正式上线，正式上线时考虑开发成本，选取的是模型的简化规则。具体营销内容暂不方便透漏。

1.5.1营销测试

提取重要维持客户进行用户唤回，做review。

1.5.2营销上线

营销测试结果证明ROI还可以，模型进一步简化后，正式上线营销活动。

二、预测用户在不同cluster的流转（待续）