移動互聯時代，RFM數據模型還有用嗎？

RFM模型已經有50多年的歷史了（具體多少年沒查到，各路文獻基本上都說40-50年）。許多學者、相關從業者對這個模型做了大量研究和實踐，證明了RFM是一個簡潔、有效的模型。RFM模型用3個簡單但是有代表性的維度構建了一個有效的用戶分類運營方法。在如今移動互聯網時代，我們是否還應繼續將這個模型應用到運營中呢？

nn

1. RFM模型定義及變數理解

nn

老生常談，首先從RFM模型的傳統定義說起，其每個維度的定義如下：

nn

• R(Recency)：表示客戶最近一次購買的時間有多遠

• F(Frequency)：表示客戶在最近一段時間內購買的次數

• M(Monetary)：表示客戶在最近一段時間內購買的金額

RFM這3個維度的數據會長什麼樣呢，以下是某個八線內容類APP的RFM值分布（時間跨度為3個月），這裡的Moneytary用PV總和代替，Frequency和Moneytary通常呈現明顯的右偏。Recency就比較有意思了，可以看到，在右邊有一個明顯的波峰，這是因為進行了一波推廣，但是獲取的流量效果不佳，多數用戶來了一次之後就流失了。

nn

在數據分析中，我們選擇的每個指標，做的每個圖表都必須是有意義的，應用之前必須用馬雲的話問一下「So TMnWhat」。那麼RFM3個值有什麼實際意義，反映了什麼商業問題呢？

nn

• R(Recency)：用戶類型。在移動互聯網業務中，可以用Recency定義用戶類型（活躍用戶、休眠用戶、流失用戶）。

• F(Frequency)：用戶忠誠度。這裡隱含了一個假設，即越活躍、越忠誠的用戶，購買次數或者使用頻率越高。

• M(Monetary)：一段時期內的用戶價值或者給公司帶來了多少收益。Monetary不一定非要是收入，可以是任何與收入直接掛鉤的指標。用今日頭條來舉例，Monetary就可以是單人閱讀的文章總量，因為今日頭條的收入與文章閱讀量數據直接相關，它的業務模式其實就是賣廣告，以流量換收入。

2. RFM的傳統用法

nn

RFM模型是一種用戶分類方法，因為模型中包含Monetary，所以它還是一個基於用戶價值的分類方法。在實際應用時，通常包括RFM打分、用戶分類、分類運營3個步驟。

2.1 RFM打分

nn

RFM打分不是一個必須的過程。打分的目的是為了便於分類用戶，但是有了聚類演算法後，就可以直接用RFM的值進行聚類（當然，數據清洗、標準化這些過程不可省略）。如果對RFM打分，還需要考慮劃分方法，劃分的方法有等距離、等總數、等記錄數和均值劃分（劃分方案可以參考John R. Miglautsch的《Thoughts on RFM Scoring》）。到底哪種劃分方法更合理，需要結合具體業務和數據不斷調整、測試。

nn

• Recency：使用等記錄數量劃分

• Frequency：使用均值劃分，頻率1的是第一組，求出其他frequency的均值，小於均值的是第二組，循環求均值

• Monetary：使用等總數劃分，每個區間內的總和相同

2.2 用戶分類

nn

這裡就不說打分後的用戶分類過程，網上有很多現成資料。只說說應用聚類方法時，如何確定分幾類合適。我們可以藉助silhouettenscore，用K-Means聚類時，先設定類別數量區間（比如[2-9]），循環調用聚類演算法，得到每個類別對應的silhouette score，畫一個散點圖，其最高點對應的類別數就是最合適的分類數量。

nn

RFM模型構建的用戶類別通常有重要價值、重要挽留、重要發展、重要保持、一般價值、一般挽留、一般發展、一般保持這8個分類。

如果在分類過程使用聚類演算法，上述8個類別或多或少會有缺失。得到用戶分類後，運營人員就可以為每個類別定製運營策略。

3. RFM模型應用時面臨的問題

nn

從用途來看，RFM模型實際上是一個營銷響應模型。營銷響應模型的目標是預測哪些用戶會響應某個營銷活動，找到最有可能響應的用戶，只對這些用戶進行營銷活動，從而使營銷活動定位目標用戶更準確，並能降低營銷成本，提高ROI。模型上線後，再根據實際響應的人群，調整響應模型或者目標用戶。從響應模型視角看RFM模型，可以發現RFM模型有一些明顯的缺點。

nn

1. RFM這3個維度包含的信息有限，對商業問題的解釋度不夠。Recency可以用來計算用戶用戶類型，但是以此衍生出的用戶類型不夠具體，用戶生類型還可以包括潛在客戶（未轉化的用戶）和新客戶（首次轉化的用戶）。Frequency反映了用戶的忠誠度、活躍度，但是用戶使用了多少不同的產品/服務，使用時間的長短也是活躍度、忠誠度的變數。Monetary僅僅是用戶歷史消費總金額，不能完全代表客戶價值，歷史最大消費金額、歷史消費金額的偏度峰度等變數也是客戶價值的體現。

nn

2.n分類效果不穩定。 在用戶分類過程中，聚類演算法出來的類別數量不定，還有可能聚類效果不佳，silhouette score低於0.5。另外，Frequency和Monetary可能還存在共線性的問題，因為在一段時間內，用戶到訪次數越多，其消費金額越多這一觀點是成立的，很有可能影響聚類效果。

nn

3.n模型可優化性差。在用戶分類運營過程中，只能針對某個群體制定營銷策略，無法具體到個人需求、偏好。另外，如果某個類別的用戶（例如重要保留客戶）對活動沒有響應，他仍然會在下一次的營銷目標人群中，造成了資源浪費。

nn

實際上，有許多機器學習/統計模型可以用來建立響應模型，如logistic、ridge、決策樹、SVM、GBDT等。在機器學習/統計模型的視角下，我們建立的模型實際上是根據歷史響應數據，找出下次活動最有可能響應的人群，因此還要考慮更多的用戶屬性，如人口統計學屬性、產品偏好、產品購買周期等。一個合理的營銷響應模型需要不斷的迭代更新。

4. RFM模型使用建議

nn

對於運營來說，基於RFM的用戶分類運營效果不如基於用戶畫像的營銷響應模型。因為從機器學習角度來看，特徵是王道，而RFM僅僅是用戶畫像中的三個維度，且包含的信息量不足，而一個用戶畫像還包括了用戶的人口統計信息、產品偏好、消費習慣等方面的維度。但是，如果你的公司沒有建立用戶畫像，那麼我們還是可以拿RFM作為臨時解決方案。

nn

對於數據分析來說，RFM倒是一個不錯的分析工具，我們可以藉助RFM來進行月度間的運營效果比較。利用相同RFM均值，將用戶劃分成8個類別，比較本月和上月各個類別的用戶變化情況，從而評估本月的運營效果。

nn

5. 總結一下

總的來說，在移動互聯時代，RFM模型在實際運營中依然有用、有效，但是其效果不如機器學習/統計模型。現在，一個中小型企業利用阿里雲、騰訊雲等雲服務就能夠建立數據倉庫，構建用戶畫像，精細化運營、千人千面的技術門檻大大降低。在移動互聯網跑馬圈地已經基本完成的背景下，各家比拼的是運營水平。因此我建議把RFM作為一個分析工具而不是一個運營工具。
推薦閱讀：