我们的RFM

---

关于人货场的一些内容：
我们的用户画像
我们的RFM
我们的商品画像

---

上回说到了我们公司的用户画像，实在是low了点儿，大部分都是统计指标，没啥可以详细说的，所以就匆匆结束了，关于用户方面的，除了用户画像，还搞过一个RFM，就是对用户分群然后做针对性的运营。
我们的用户画像

RFM是一种用户分层模型，就是从R、F、M三个维度来分析用户，其中
R（Recency）：最后1次消费距今天数，为「近度」维度；
F（Frequency）：一段时间内的消费频次，为「频度」维度；
M（Monetary）：一段时间内的消费金额，为「额度」维度。

这个是基本的RFM模型，实际应用的时候，我们可以进行改造，将其中的维度替换成我们关注的维度，比如换成“一段时间内发布的文章数”，“一段时间内浏览的文章数”等等，或者增加到4个维度，减少到2个维度，都是可以的。

通常来说，我们可以将每个维度分成两类，高与低，这样三个维度就会分成8类

这样分成的8类是有名字的

这里的高和低是怎么区分出来的呢？
在数据处理阶段，我们会先获取这样的用户数据

这里的RFM还都是实际值，这里我们需要注意的是这个R和FM是不一样的，R是距今天数，距离越近，即R值越小，是越好的，而F和M都是越大越好，它们的判断方向不一致，千万不要搞混了。至于怎样划分高和低，可以使用几种方式：

• 从业务角度判断
  以F为例，从业务角度出发，下单5次为临界值，F>5，则为高，F<=5则为低，这个可以结合产品定位，或者分析当前数据情况，寻找一个临界值。

• 中位数
  从当前数据纯统计的角度，找一个中位数，大于中位数的为高，小于等于为低

这只是两种思路，当我们不想分为高、低，想要分成3份，5份的时候，用户会分割的更细，按照实际的情况来选择就行了。有的时候，我们不想单纯的去划分高低，我们也可以选择打分制，可以直接根据数据区间，进行打分，比如1-5分，还可以根据RFM3个维度的权重关系，求一个总分，都是可以的。

R，表示的是用户活跃情况，也叫做活跃度，消费的时间点越近，活跃度越高；
F，表示用户的消费频次，也叫做忠诚度，来消费的次数越多，忠诚度也高些；
M，表示用户的消费金额，也叫做贡献度，花的钱越多，贡献度也越高。
单看M，我们还可以验证下二八定律，一般30%左右的用户贡献了80%的GMV。

几点注意

• 划分的太细，实际运营起来可能会复杂些，所以一开始分成8类就差不多了

• RFM这3个指标的量纲是不一样的，R的1和F的1和M的1都是不一样的，所以这3个指标之间无法直接比较，如果想要进行比较，我们可以对指标做标准化，然后再进行分类

• 分类后，我们可以对指标区间进行验证下

  
  

• 上面的方法都是偏统计的，我们可以使用聚类算法，直接做聚类，这样划分的可能会更加的请准些。

• 这个是之前从哪找到的一个图，主要是分群后如何运营的

• 对用户的分群，最好保证一段时间内稳定，可以采用1个月刷新一次

• RFM除了用在用户上，用在其他的维度也是可以的，比如我们货架、门店，都是一种参考角度，分群方式