这是一个从交易数据反推用户价值的方法

---

RFM各项定义与影响现象

定义

R（recency）：最近一次消费

F（frequency）：一定时间内，消费频率

M（monetary）：一定时间内，消费金额

影响现象

R：品牌记忆强度、品牌接触机会、回购周期

F：品牌忠诚度、品牌熟悉度、购买习惯养成

M：消费能力、产品认可度

---

RFM模型优缺点以及难点

优点

数据的可获得性

缺点

滞后性、受行业影响、仅考虑用户的行为数量无法分析用户的行为

难点

1. 定义时间范围
2. 定义消费金额的区间范围
3. 根据用户消费种类定义激励策略

解决方法

1. 根据行业和可运营群体最大数作参考
2. 采用均值的方法（受异常值影响较大）
3. 采用四分位数的方法（20%分位等等）
4. 采用打分法（取决于是划分用户层（不需要），还是求用户综合RFM得分（需要））
5. 最后根据划分人群、运营效果、活动规律、调整阈值来实现动态划分用户群组

---

主要参考指标

用户唯一标识、消费时间、消费金额

---

用户分层营销优化策略

分类	R	F	M	营销优化策略（参考）
价值	高	高	高	提供个性化VIP服务
	高	高	低	提供优惠活动，吸引客户提高客单价
发展	高	低	高	指定客户忠诚度培养计划
	高	低	低	提供试用活动，提供购买欲望
保持	低	高	高	推送个性化的激励活动
	低	高	低	调整宣传策略，设立门槛优惠方案
挽留	低	低	高	主动联系客户，开展问卷调查
	低	低	低	适当减少预算，降低营销成本

---

模型操作步骤

1. 判定RFM各项意义是否适用于目标需求
2. 数据清洗
3. 汇总计算所得字段
4. 设立用户分层参考标准
5. 建立打分表的评分参数
6. 根据模型分类占比设立优化策略
7. 后期持续根据模型优化后的前后对比

---

影响RFM模型失效场景

季节性、商品特征、促销活动、节假日事件、用户生命周期

解决方法：根据业务特征、给特殊时间增加标识

---

注意事项

• R值受行业客观消费频率影响
• F值受事件、节假日、活动、定期等因素影响
• M值受价格定位影响，对客户分层的作用相对较弱
• 模型受行业影响时，F值可以替换成累计购买频率、R值可以替换成累计购买金额或平均客单价
• RFM各项判定值的高低，取决于值是否大于平均值（单行计算）
• 用户群组划分受营销方案的可执行性影响
• 可以利用AHP层次分析法判定RFM综合得分是否合理

---

参考文章：

RFM分析：如何进行有效的RFM模型搭建和分析？

数据分析八大模型：详解RFM模型

深入解读RFM模型-实战应用干货 - 简书

数据分析方法：RFM 模型