阿里巴巴CEO张勇在盒马鲜生的管理会上说：“进行RFM用户分析 ，以数据驱动，精细化用户运营是核心。新模式要大胆假设小心求证，验证有效以后再快速复制。”RFM与精细化管理有什么关系？
文章目录
互联网用户增长当前进入瓶颈期——全国总网民数量徘徊在10.11亿人左右，互联网普及率已经达到71.6%；但是流量却牢牢把控在巨头手中；自微信、头条、抖音之后，鲜有新的流量平台崛起，用户流动相对固化。
对企业来说，尤其是中小企业而言，依靠流量红利获取业务持续增长的情况现在已不复存在，新客户的获取成本、难度节节攀升。
聪明的营销人都知道，“了解你的客户”十分重要。营销人员必须利用RFM用户分析 ，以数据驱动，精细化管理客户。需要从增加点击率到提高留存率、客户忠诚度以及建立客户关系上转变，而不是仅仅将精力放在创造更多的点击量上。
在精细管理客户之前，相较于将所有客户群作为整体来分析，不如把客户细分为各种同质群组，了解每组群体的特征，并通过与其有关的营销活动建立与客户的联系，而非单纯通过年龄或地域来区分客户。作为营销人员分析用户行为的工具，RFM分析模型无疑是其中最流行、便于使用且有效的用户细分方法。
1 什么是RFM分析？
RFM由三要素构成，即R – Recency 最近一次活动，F – Frequency用户活动频率，M – Monetary 消费金额，每个要素都代表着用户某种重要的行为特征。 RFM衡量数据是分析用户行为的重要指标，用户活动频率F和消费金额M代表了用户终生价值，最近一次活动R则代表了用户留存率以及用户参与度。
一些业务缺乏消费金额M指标，例如收视率、阅读率或用于浏览的产品，企业可以利用用户参与度E来代替消费金额M数据。这就需要利用到RFE模型（RFM模型的一种变体）。此外，用户参与度E可以是基于网站跳出率、访问时长、已访问页面数量、每个页面访问时长等各种指标而得出的综合数值。
RFM的三要素说明了以下3个事实：
- 最近一次活动的时间越近，用户对促销信息的响应度就越高
- 用户的购买频率越高，TA的参与度和满意度就越高
- 消费金额数据能够将高消费用户和低消费用户区分开来
2 如何应用RFM分析对用户细分？
RFM分析能够让营销人员找到以下问题的答案：
- 谁是最佳用户？
- 哪些用户即将流失？
- 谁有潜力成为有价值用户？
- 哪些用户可以留存？
- 哪些用户最有可能响应你的营销活动？
让我们通过一组用户交易数据抽样，来看RFM是如何分析的：
3 盒马RFM 分析案例
为了对此案例进行RFM分析，让我们来看下如何根据每个RFM要素分别给用户进行评分排名。假设我们利用RFM数据将这些用户从1-5分级。让我们先根据最近一次活动（R）数据对用户进行排名，如下表所示：
为了对此案例进行RFM分析，让我们来看下如何根据每个RFM要素分别给用户进行评分排名。假设我们利用RFM数据将这些用户从1-5分级。让我们先根据最近一次活动（R）数据对用户进行排名，如下表所示：
如上表所示，我们将用户按照最近一次活动（R）进行了分类，最近一次活动时间间隔最短的用户排在最上面。按照从1-5评分，前20%的用户（用户12、用户11以及用户1）获得5分，接下来的20%用户（排在后面的3名用户：用户15、用户2以及用户7）获得4分，以此类推。
同样地，我们可以根据用户活动频率（F）从高到底依次对用户进行分类，前20%的用户在用户活动频率的分数为5，以此类推。至于消费金额（M），前20%的用户（消费大户）在消费金额的分数为5，消费金额最少的20%用户则分数为1。用户活动频率和消费金额的分数排名如下表所示：
（1）RFM评分
最后，我们可以结合用户的最近一次活动、用户活动频率和消费金额的得分排名对用户进行一个综合排名，最终得出一个RFM总评分。下表显示的RFM得分其实就是最近一次活动、用户活动频率和消费金额得分以同等的比重算出的平均值。
（2）RFM分析
接下来，我们就会有一个疑问：根据用户的购买或参与行为，取每名用户最近一次活动、用户活动频率和消费金额得分的平均值来估算RFM合理吗？根据公司业务的性质，你可以增加或减少每个RFM变量的相对权重，从而得出最终分数。例如：
在耐用消费品行业中，每次交易的消费金额值通常会很高，但是用户活动频率和最近一次活动会较低。例如，你不能期待用户每个月购买一次冰箱或空调。在这种情况下，营销人员可以赋予消费金额M和最近一次活动R更多的权重。
在销售时尚/化妆品的零售业，每月查询并购买产品的用户在最近一次活动和用户活动频率方面的得分会更高，而消费金额的得分会较低。因此，营销人员可以赋予最近一次活动R和用户活动频率F更多的权重，从而计算出RFM分数。
对于媒体平台Hotstar或Netflex等内容应用，追剧狂人们要比定期看剧的主流消费者登陆访问的时间更长。针对追剧狂人，营销人员可以增加参与度E和用户活动频率F的比重，而对于主流消费者，营销人员可以增加最近一次活动R和用户活动频率F的比重，从而得出RFE的分数。
这种简单的从1-5对用户进行评分的方式最多会得到125个RFM分组（5X5X5），排名从最低得分111到最高得分555。就用户主要消费习惯而言，每个RFM单元的大小不等且各单元之间互不相同，从RFM得分中可以体现出来。很明显，如果将每个RFM单元视为一个分组，营销人员无法对125个分组单独进行分析，而且也难以将这一虚拟3D模型进行视觉化处理！
通常，我们会将 RFM用户分析 模型的消费金额M视为汇总交易记录或总访问时长的总体指标。因此，加入我们只利用最近一次活动R和用户活动频率F的得分数值，就能将这125个RFM分组缩减为25个分组。
（3）RFM模型
我们在移动应用分析平台t上，根据最近一次活动R和用户活动频率F的得分将RFM分析结果体现在2维图表中。这样既能让用户进行消费，也更容易理解数据的涵义。除此之外，我们没有创建25个分组，而是将一些分组进行了整合，从而得出更易于管理、便于理解的分组。
从以上RFM图表中，我们可以从每个组段中得出以下信息：每组的简单描述
- 最近一次记录（最近一次活动）
- 频率（活动次数）
- 平均金额数值
- 各种渠道的传达性
现在，我们就来探讨下如何诠释 RFM分析 中的分组，以便理解用户的行为，并向这些用户推荐有效的营销策略。
让我们来看一下以下几个有趣的分组研究：
- 冠军用户是你的最佳用户，这些用户最近一次活动的时间间隔最短，次数最多，且消费金额最多。给这些用户奖励，他们会成为你最新产品的早期用户，并会帮助你进行品牌推广。
- 潜在忠实用户是有最近消费记录，用户活动频率和金额处于中等水平的用户。邀请这些用户加入会员或向这些用户实施忠诚计划（即给予奖励）或推荐相关产品，从而增加销量，并让他们成为你的忠实用户或冠军用户。
- 新用户是总体RFM分数很高，但用户活动频率不高的用户。先从建立用户关系开始，想这些用户提供引导支持和特殊折扣来增加他们的访问次数。
- 风险用户是经常消费且金额较大但最近没有访问的用户。制定个性化的用户激活方案，与这些用户重新建立联系，并提供续费优惠和有用的产品推荐来刺激用户做出购买决定。
- 不可丢失用户是过去经常访问并消费但最近没有访问的用户。提供相关促销来召回这些用户，并展开调查找出问题所在，避免这些用户流失到竞争对手那边。
4 RFM总结
RFM用户分析 是以 数据驱动 的用户细分方法，营销人员可以据此作出策略决定。 营销人员利用RFM分析能够快速地将用户细分成同类群组，并针对这些用户采取不同的个性化营销策略，从而提高用户的参与度和留存率。
原文链接：RFM分析 | 一招搞定精细化客户管理，盒马鲜生等企业都在用
延伸阅读：
户外明星Solo Brands如何以DTC社群运营推动高速品牌增长
研报摘要 | 从“试水”变为“必要”选择——后疫情时代的私域流量营销
300+精品课程，为你的求职、学习持续赋能。
热门课程推荐： 【设计思维】 【精益创新】 【增长黑客】【设计冲刺】
更多精彩案例与方案可以访问Runwise创新社区。
标签：消费,鲜生,用户,最近,频率,盒马,活动,RFM From： https://www.cnblogs.com/runwisedigital/p/16592112.html