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。