国外亚洲成av人片在线观看,热99re久久精品这里都是精品,天堂网在线最新版www,国产成人av区一区二区三,51久久成人国产精品麻豆

編輯導(dǎo)語：在運(yùn)營(yíng)崗位中，進(jìn)行用戶分層是運(yùn)營(yíng)的基礎(chǔ)工作之一。做好用戶分層，有助于后續(xù)用戶精細(xì)化運(yùn)營(yíng)，減少資源浪費(fèi)，并推動(dòng)用戶增長(zhǎng)。本篇文章里，作者就對(duì)RFM模型適用場(chǎng)景做出介紹，并利用RFM模型進(jìn)行用戶分層實(shí)踐，讓我們來看一下。

一、前言

如果沒有做分層基本就沒有在做運(yùn)營(yíng)這件事?！趸畚?/p>

分層是用戶運(yùn)營(yíng)最基礎(chǔ)的底層思維。為什么要做分層？簡(jiǎn)單來說，分層是為了區(qū)別對(duì)待不同的用戶群體。為什要區(qū)別對(duì)待？因?yàn)椴煌挠脩羧后w價(jià)值不同、需求不同、驅(qū)動(dòng)力不同等等。

這些不同決定了想要提升用戶群體的價(jià)值，必須對(duì)癥下藥。

同時(shí)，分層也是精細(xì)化運(yùn)營(yíng)的一種體現(xiàn)，通過優(yōu)化資源配置提升運(yùn)營(yíng)的ROI。關(guān)于用戶分層的方法有很多，這里和大家分享的是一個(gè)比較基礎(chǔ)同時(shí)又廣為流傳的方法——RFM分層模型。

二、RFM模型分析步驟

RFM最早在20世紀(jì)應(yīng)用于美國(guó)黃頁業(yè)務(wù)，直到今天在互聯(lián)網(wǎng)中也被廣泛應(yīng)用。其是基于用戶歷史消費(fèi)數(shù)據(jù)，以三維坐標(biāo)系進(jìn)行用戶價(jià)值分析的分層方法。基礎(chǔ)的分析步驟如下。

拉取用戶歷史消費(fèi)數(shù)據(jù)，并計(jì)算出每個(gè)用戶對(duì)應(yīng)的R、F、M數(shù)值，分別為：

• Recency：最近一次消費(fèi)時(shí)間間隔；
• Frequency：消費(fèi)頻率；
• Monetary：消費(fèi)金額。

1）將所有用戶的R、F、M三個(gè)數(shù)值分別進(jìn)行梯度劃分，通常每個(gè)指標(biāo)被劃分成5個(gè)梯度，對(duì)應(yīng)5個(gè)分值。

2）梯度的劃分方法可參考兩種：

1. 將數(shù)值5等分，適用于數(shù)據(jù)曲線較為平緩的情況；
2. 通常數(shù)據(jù)曲線都具有長(zhǎng)尾特征，可依據(jù)數(shù)據(jù)特征將R、F、M分別劃分成5個(gè)區(qū)間，比如通過散點(diǎn)圖進(jìn)行劃分或通過占比圖尋找曲線的明顯斷檔處進(jìn)行劃分。

3）依據(jù)上述分值梯度，計(jì)算每個(gè)用戶的R、F、M三個(gè)指標(biāo)對(duì)應(yīng)的分值。

4）計(jì)算所有用戶的R、F、M三個(gè)指標(biāo)的均值。

5）將用戶的R、F、M三個(gè)指標(biāo)的分值依次與上述平均值進(jìn)行比較，若小于平均值則計(jì)為低，否則為高，得出每個(gè)用戶R、F、M分值的高低情況。

6）依據(jù)RFM分層表，進(jìn)行用戶類型的匹配，用戶最終被分為8種類型。如下圖：

RFM分層結(jié)果表?

7）依據(jù)實(shí)際情況，針對(duì)每一類用戶制定不同的策略。

三、RFM的適用場(chǎng)景

任何事物的成立都有前提，而前提往往是最容易被忽略的。

RFM層成立的前提有3個(gè)：

1. 最近有過消費(fèi)行為的用戶，在未來一段時(shí)間內(nèi)再次消費(fèi)的概率越大；即用戶最近一次消費(fèi)的時(shí)間間隔越短（R值越?。?，流失的幾率越小，用戶的價(jià)值越高。
2. 最近一段時(shí)間消費(fèi)頻率越高的用戶越忠誠(chéng)，在未來再次消費(fèi)的概率越大；即F值越大，用的戶價(jià)值越高。
3. 最近一段時(shí)間消費(fèi)金額越高的用戶，在未來越有可能產(chǎn)生高價(jià)值消費(fèi)；即M值越大，用戶的價(jià)值高。

之所以要說前提，是因?yàn)榉椒ㄕ摱加兴木窒扌?。?duì)方法論不加分辨、胡亂套用，不僅不能解決問題，反而會(huì)越走越偏。

從上面三個(gè)前提也可以看出RFM的局限性。比如針對(duì)以下情況，上述三個(gè)前提很可能不成立。

用戶最近一次消費(fèi)間隔越短，流失幾率越小：

• 家居、汽車、房屋這類低頻的消費(fèi)品；
• 服裝這類具有周期性的消費(fèi)品。

用戶最近一段時(shí)間消費(fèi)頻率越高，未來消費(fèi)概率越大：用戶一段時(shí)間內(nèi)的消費(fèi)行為可能受多種外部因素影響，如：促銷打折、生日以及其他特殊情況導(dǎo)致的一段時(shí)間內(nèi)的高頻購(gòu)買等。

用戶最近一段時(shí)間消費(fèi)金額越高，未來越有可能產(chǎn)生高價(jià)值消費(fèi)：

• 消費(fèi)本身為低頻次的，如高價(jià)值的耐用品消費(fèi)；
• 消費(fèi)本身為周期性的，如：母嬰、裝修、結(jié)婚等。

所以不同行業(yè)不同類型的業(yè)務(wù)在使用該分層方法時(shí)一定要反問自己，上述三個(gè)前提對(duì)于自己的業(yè)務(wù)是否成立。

四、案例分析

以下我以內(nèi)容社區(qū)中創(chuàng)作者的分層為例進(jìn)行RFM的實(shí)踐分享（數(shù)據(jù)部分均為舉例用的虛假數(shù)字）。

1. 背景及目的

在不考慮創(chuàng)作者發(fā)布內(nèi)容質(zhì)量的前提下，基于創(chuàng)作者的發(fā)布行為進(jìn)行分層，以提升創(chuàng)作者群體的內(nèi)容發(fā)布數(shù)量。

2. 分析過程

1）第一步

確定創(chuàng)作者的R、F、M指標(biāo)分別對(duì)應(yīng)什么指標(biāo)并進(jìn)行取數(shù)及數(shù)據(jù)處理。

相比于交易用戶，創(chuàng)作者在平臺(tái)的關(guān)鍵行為是內(nèi)容發(fā)布，其對(duì)應(yīng)的三個(gè)指標(biāo)分別為：

1. R：最近一次發(fā)布內(nèi)容的日期距離取數(shù)日的間隔天數(shù)；
2. F：最近三個(gè)月創(chuàng)作者發(fā)布內(nèi)容的天數(shù)；
3. M：最近三個(gè)月創(chuàng)作者發(fā)布內(nèi)容的總數(shù)。

確定以上指標(biāo)后，取數(shù)如下：

將數(shù)據(jù)處理為以下格式：

2）第二步

觀察R、F、M各個(gè)數(shù)值對(duì)應(yīng)的用戶占比圖，以確定分值梯度。

以M為例，通過建立不同發(fā)布數(shù)量的作者占比趨勢(shì)圖，尋找曲線的斷檔處以確定分值的梯度。

下圖中，曲線明顯的幾個(gè)斷檔處分別為：1-2條，3-6條，7-11條，12-15條，16條及以上。

因此可將F值分為5檔，分別為1分：1-2條；2分：3-6條；3分：7-11條；4分：12-15條；5分：16條及以上。

根據(jù)上述方法依次計(jì)算出R、M的5個(gè)梯度。需要特別注意的是，R值越大則間隔天數(shù)越長(zhǎng)，對(duì)應(yīng)的分值越小。最終結(jié)果如下圖所示：

3）第三步

依次計(jì)算出每個(gè)用戶的R、F、M三個(gè)值，結(jié)果如下：

4）第四步

計(jì)算出所有用戶的R、F、M三個(gè)值的均值，并將用戶的每個(gè)值與均值進(jìn)行比較以判斷用戶R、F、M值的高低，大于等于均值記為高，小于均值記為低。結(jié)果如下：

5）第五步

根據(jù)RFM的用戶分層表，對(duì)每個(gè)用戶的類型進(jìn)行匹配，結(jié)果如下圖：

6）第六步

針對(duì)不同類型的創(chuàng)作者制定不同的策略，以提升作者的內(nèi)容發(fā)布數(shù)量。具體的策略這里不做闡述，因?yàn)樾枰Y(jié)合業(yè)務(wù)的實(shí)際情況而來。

五、關(guān)于RFM的探討

上述分析中，在計(jì)算用戶R、F、M每個(gè)值的高低時(shí)采用了目前最為廣泛的一種方法：打分法。打分法的好處是可以對(duì)用戶的價(jià)值進(jìn)行量化。但其實(shí)在不量化用戶價(jià)值的情況下，可以采用更簡(jiǎn)便的一種方法：將所有用戶的R、F、M曲線依據(jù)帕累托法則（二八法則）進(jìn)行劃分來確定值的高低。

即使量化用戶價(jià)值，在講究科學(xué)運(yùn)營(yíng)的今天，打分法也略顯粗糙。故在實(shí)操中可嘗試另外一種分層方法：AHP層次分析法。在上述創(chuàng)作者分層案例中，可將R、F、M三個(gè)指標(biāo)去量綱后，在考慮權(quán)重的情況下計(jì)算作者的價(jià)值分。相關(guān)公式如下。

作者價(jià)值分=-a*R值+b*F值+c*M值

（其中a、b、c為對(duì)應(yīng)指標(biāo)的權(quán)重，“-a”表示R與作者價(jià)值成反比，R值、F值、M值為去量綱后的數(shù)值）

計(jì)算出對(duì)應(yīng)的分值后再依據(jù)分值進(jìn)行作者的分層，目前該方法有較多的應(yīng)用場(chǎng)景，后續(xù)將專門進(jìn)行探討。

RFM模型更重要的是提供了一種用戶分層的思路，而不只是方法。基于RFM模型的分層思路可以進(jìn)行更多延伸，比如：基于RFM其中的兩個(gè)指標(biāo)進(jìn)行二維象限的分析、根據(jù)業(yè)務(wù)特征對(duì)RFM的三個(gè)指標(biāo)進(jìn)行替換以尋找適合自己業(yè)務(wù)的分層方法、將RFM中量化用戶價(jià)值的方式由評(píng)分替換為算法等更科學(xué)的方式。

方法重在活學(xué)活用，我個(gè)人是方法論的推崇者，但推崇的是在了解方法論局限性的前提下，以合適的方法解決問題，而不要胡亂套用，成為方法論的受害者。

畢竟解決問題的方法有很多種，不必癡迷于用的是哪一種，達(dá)成目的即可。

本文由@我是誰 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash, 基于CC0協(xié)議。