作者:接地气的陈老师
来源:接地气学堂
上一篇讲了【用户画像高大上,但90%的人都做失败了!】后,很多同学表示想看RFM模型,今天它来了。RFM模型是很传统的数据分析模型,几乎所有文章都会提到它,然而市面上流传的各种乱用、错用也非常多。今天我们系统讲一下
1
RFM基本原理
RFM模型是三个单词的缩写:
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。
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)。
因为RFM与时间有关,因此很多同学在取数的时候会纠结时间怎么分。严格来说,越柴米油盐,消费频次本身越高的业务,取的时间应该越短。最典型的就是生鲜,人天天都要吃饭,7天不来可能就有问题。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。
当然,所有方便好用的工具,都自带一些不足,RFM模型也是如此。
2
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。
3
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。
4
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*5=125类,然后再用K均值聚类聚成5-8类的做法,更是大错特错。
一来,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。
二来,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。
三来,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!
本质上看,因为网课、网文给的都是一张清洗得完美的静态数据表,一不需要跟别的部门合作,二不需要考虑连续场景,所以才选了一个模型+算法的做法。嗯,能不能用不重要,显得自己牛逼最关键!
5
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。
用户生命周期,需要数据采集,而且是采集一个最关键的数据即可。最典型的用户生命周期是母婴行业做法,企业一定会采集一个最关键的数据:怀孕多少周了。这个数据爸爸们不见得清楚,妈妈们一定很清楚。知道了起点,后续就可以推算了。类似的还有药店连锁做慢病管理,K12教育等等。
6
小结
任何模型都有其产生的历史背景、数据基础、使用范围,也不是所有模型的目的都是精准。简单、好用、省事,是更多时候的考虑。
数据分析咨询请扫描二维码
大数据分析师证书 针对不同知识,掌握程度的要求分为【领会】、【熟知】、【应用】三个级别,考生应按照不同知识要求进行学习。 ...
2024-10-29拥抱数据分析的世界 - 成为一名数据分析工程师是一个充满挑战和机遇的职业选择。要成功地进入这个领域,你需要掌握一系列关键技 ...
2024-10-28降本增效:管理战略的关键 企业管理中的降本增效不仅是一项重要的战略举措,更是激发竞争力、提高盈利能力的关键。这一理念在当 ...
2024-10-28企业数字化是指利用数字技术和信息化手段,对企业的各个方面进行改造和优化,以提升生产效率、服务质量和市场竞争力的过程。实现 ...
2024-10-28数据科学专业毕业后,毕业生可以选择从事多种不同的岗位和领域。数据科学是一个快速发展且广泛应用的领域,毕业生在企业、学术界 ...
2024-10-28学习数据科学与大数据技术是当今职业发展中至关重要的一环。从基础到高级,以下是一些建议的课程路径: 基础课程: Python编程 ...
2024-10-28在信息技术和数据科学领域,数据架构师扮演着至关重要的角色。他们负责设计和管理企业中复杂的数据基础设施,以支持数据驱动的决 ...
2024-10-28进入21世纪以来,随着信息技术的迅猛发展,大数据已经成为全球最具影响力的技术之一,并成为企业数字化转型的核心驱动力。大数据 ...
2024-10-28随着科技的迅猛发展,数字化转型已成为现代企业保持竞争力和推动增长的关键战略之一。数字化不仅仅是技术的应用,它代表着一种全 ...
2024-10-28银行业正处于一个前所未有的数字化转型时期。在数字经济的驱动下,金融科技如大数据、人工智能、生物识别、物联网和云计算等技术 ...
2024-10-28数据分析可视化是一门艺术与科学相结合的技术,其主要目标是将复杂的数据变得更易于理解和分析。通过将数据以图表的形式呈现,我 ...
2024-10-28数据分析师在现代信息密集型的商业世界中扮演着至关重要的角色。他们通过专业的技能和敏锐的商业洞察力,帮助企业从大量数据中提 ...
2024-10-28在当今快速发展的数据驱动世界中,数据专员的角色变得愈发重要。无论是在企业决策、市场分析还是产品开发中,数据专员都扮演着不 ...
2024-10-27在当今迅速发展的科技时代,数字化对企业的意义无比深远。它不仅提升了企业的竞争力和运营效率,还显著改善了客户体验,推动了企 ...
2024-10-27企业数字化转型是一个全方位的变革过程,旨在通过应用新兴数字技术,重新设计企业的业务流程、组织结构、产品和服务,以在竞争激 ...
2024-10-27数据挖掘是一种集成了统计学、人工智能和机器学习等多种技术的过程,其主要目标是从大量数据中提取有价值的信息和知识。通过分析 ...
2024-10-27数字经济是一种新型的经济形态,以数字技术为基础,通过数据的获取、存储、加工、传输和应用进行经济发展。其核心在于利用数字化 ...
2024-10-27数据科学无疑是现代数字化社会的中流砥柱。随着大数据和人工智能技术的持续飞跃,各行各业对具备数据分析和管理能力的人才需求呈 ...
2024-10-25在当今快速发展的商业环境中,数字化转型已经成为企业保持竞争力和促进业务增长的必然选择。数字化转型不仅意味着技术的变革,更 ...
2024-10-25在当今数据驱动的商业环境中,数据分析已经成为企业决策过程中的核心要素。企业需要处理海量数据,从中提炼出有价值的见解,以支 ...
2024-10-25