一、RFM模型介绍
用户运营需要把用户分层运营，统计发布了上半年家电零售市场数据。数据显示，RFM模型是从用户价值角度划分用户的重要模型，在各种利好因素刺激下，RFM是最近一次消费Recency，家电市场快速回暖，消费频率Frequency，基本恢复至新冠肺炎疫情前的2019年同期水平。今年上半年，消费金额Monetary三个英文单词首字母组合，我电市场零售额为4293亿元，在电商和零售等行业被广泛应用。
Recency：最近一次购买与当前时间的时间间隔，同比幅增长16.3%，简单地说就是多久没来买了，体现出家电市场的巨潜力和家电产业的能量。电子信息产业发展研究院9日发布的《2021年上半年家电市场报告》显示，一般R值越小的客户价值越高。现在购物渠道和品牌很多，2021年上半年，时间久了没来买的用户，除个别产品外，很可能就流失了。
Frequency：一段时间内的购买次数，家电产品均价普遍上涨。家电中，可以看出用户的复购行为，受商品品类影响很，不同品类用户消费行为完全不同，比如食品，一个月内应有复购，而服装可能要一个季度才有复购。F值越高，用户价值越。
Monetary：一段时间内的消费金额，根据二八法则，2%的用户贡献8%的销售额，实际情况这个比例会不一样，但重点用户值得关注，需要筛选出来重点运营。M值受品牌定位和产品SKU影响，如高端产品的客单价比低端产品的客单价高很多，正常情况下消费金额也较。
对于R、F、M的影响因素和应用场景下图列举一些情况，实际工作中需要进一步分析明确。
二、RFM模型适用场景
最近一段时间购买的用户，未来一段时间复购的概率。比如美妆行业，用户会周期性购买，但汽车、家电这种行业不适用，N年才会买一次。
最近一段时间购买频率越高的用户，未来再次购买的概率越。比如食品行业，忠诚用户的复购率很高，但用户碰到促活动购买囤货的，短时间复购的概率可能不高。
最近一段时间购买金额越高的用户，未来产品高消费的概率。比如健康行业，随着用户健康惯养成和年龄增，未来消费可能会越来越高，但母婴行业，过了年龄段未来消费的概率就低了，本身消费是有生命周期限制的。
总之，要根据行业的消费情况判断RFM模型是否适用，这样才能合理地进行用户分层。
三、RFM模型分析步骤
1、获取用户历史交易数据，如电商平台的订单数据，计算R、F、M值。
2、将R、F、M值按梯度划分，一般分为5个梯度分数，具体怎么分要根据R、F、M数据的分布情况。
3、根据梯度分数，计算R、F、M值对应的分数。
4、计算R、F、M值的平均值，将R、F、M值与平均值进行比较，得到用户R、F、M值的高低情况。
5、合并R、F、M值，得到RFM值，通常是将R、F、M值直接合并成三位数字或字符，还有一种方法根据权重计算RFM值。
6、根据RFM值分成八类用户，制定不同的运营策略。
实际操作中根据情况对某些步骤自行调整。
营销活动中根据实际情况可以选择R、F、M其中一两项指标单独区分用户，比如不是高频消费的新品牌，没什么太多的历史交易数据，就选R、M来区分用户。
本文是第一篇，下篇举个例子用python进行RFM模型分析实战。
