RFM模型簡介
RFM模型大家都很清楚了，該模型的3大要素如下：
R：最近一次消費（recency），用戶距離當前最后一次消費的時間；
F：消費頻次（frequency），用戶在一段時間內，在產品內的消費頻次；
M：消費金額（monetary），代表用戶的價值貢獻；
根據這3個維度，每個維度進行兩分，可以得到下表的8類用戶：

上表可以轉換成下圖的樣子，這個也是我們對RFM最熟知的一張圖了：

如果我們能找出用戶屬于哪一類，我們就可以針對性的制定運營策略了；
關鍵的就是如何通過產品內已有的原始數據，處理成RFM模型的數據，這一步就是今天要重點介紹的；
02
RFM模型搭建
01
抓取RFM三個維度下的原始值
這里需要事先確定一個參考日期，也就是你是想分析哪段時間的數據？是3個月的？半年的？1年的？……，確定好這個分析時間段之后，直接在后臺抓取RFM原始數據即可；
這里，我使用的非真實數據，確定的參考日期是2019年8月1日，也就是我要分析的是2019年1月1日~2019年8月1日的數據，如下：

02
初步處理R值
1）計算最近一次消費距離定義日期的天數
我們看到用戶最近消費日期和我們定義的日期都是時間格式，不能直接拿來用的，我們需要的是最近一次消費日期距離我們定義的日期相隔多少天，然后根據這個相隔天數來計算R值；
也就是：最近一次消費距離定義日期的天數 = E列日期 - D列日期，excel函數“DAYS360”可以直接完成這一步；
使用公式：
DAYS360(D2,E2)
即可，這樣就計算出了相隔天數啦，需要注意的是函數里面的值先后順序，第一個是起始日期，第二個是結束日期；

2）設定R參數
這個F列還不是R值，我們還需要將這個相隔天數經過某種計算，轉換為我們需要的R初始值，我們需要做的就是先設定R參數，在根據設定的R參數計算；
怎么設定R參數呢，就需要根據我們的產品來了，我們可以根據下載的R原始數據畫趨勢圖或占比圖等方式，根據趨勢圖劃分參數，也可以根據對產品的理解和定義，我們拍腦袋定義一個參數；
因為使用的是非真實數據，所以我就使用“拍腦袋”啦，當然最好的是根據趨勢圖來劃分參數啦；
我設定的R參數是：15天、30天、60天、90天，根據相隔天數在不同的范圍內賦1~5不同的數值以確定其重要性，當然相隔天數小于15天的最重要嘛，表示這個用戶大概半個月前才買過我們的產品，所以值是5，依次類推；

這個計算，也是可以使用excel函數的，使用IF函數就可以了，不斷的判斷F列的數值屬于那個區(qū)間，通過區(qū)間的不同來賦值；
使用公式：
IF(F2<15,5,IF(F2<30,4,IF(F2<60,3,IF(F2<90,2,IF(F2>90,1)))))
即可按照我們定義的R參數來賦值啦，賦值之后可以得到G列的R值了；

03
計算F值和M值
計算F、M值和R值是一樣的步驟，需要先設定一個F、M參數，然后在根據參數來賦值計算出F值和M值，過程我就不敘述啦；
由于我事先假設的交易次數都在1~6之間，所以我“拍腦袋”設定的F參數是2/3/4/5，“拍腦袋”設定的M參數是30元/60元/90元/120元，在實際的應用中建議根據原始的交易次數和消費金額據畫出趨勢圖或者占比圖等，根據趨勢圖來設定F參數和M參數；

這里需要注意的是，根據F/M參數賦值，不同于R參數，F(xiàn)是消費頻次，肯定是消費頻次越高的越重要，所以賦的值越大，M是消費金額，肯定是消費金額越多的越重要，賦的值越大；
按照R值計算相同，也是使用IF函數，就可以得出F值和M值；

04
計算R/F/M的高低值
到這里，貌似和RFM模型里畫的還有一點點不同，我們計算出的RFM是數值，而模型里的RFM是高低來表示的，所以我們需要將計算出的數值轉換成高低，然后才能得出最終的RFM模型；
怎么轉換呢，思路就是分別取R/F/M的一個中值，然后比中值大的就是“高”，比中值小的就是“低”，經過這一步后就可以了；
1）取R/F/M中值
所以關鍵就是中值怎么取，取中值的方法有多種，最簡單的就是根據我們計算出的R/F/M值取平均數來作為中值，當然還可以使用其他數據作為中值，比如二八法則來選中值，更專業(yè)的算法分類等等，就不多說了，反正我一直是用平均值；
計算平均值就很簡單啦，直接一個AVERAGE函數就可以搞定了；

2）根據中值將R/F/M轉換成高低值
取了平均值后，我們直接使用IF函數，就可以將對應的R/F/M轉換成高低值啦；

05
得出用戶價值歸類
根據我們計算出的最后R/F/M高低值，我們就可以根據模型來得出該用戶的價值歸類啊，直接一個IF函數搞定，不過這個IF函數有點點多；
使用公式：
IF(AND(K2="高",L2="高",M2="高"),"重要價值用戶",IF(AND(K2="高",L2="低",M2="高"),"重要發(fā)展用戶",IF(AND(K2="低",L2="高",M2="高"),"重要保持用戶",IF(AND(K2="低",L2="低",M2="高"),"重要挽留用戶",IF(AND(K2="高",L2="高",M2="低"),"一般價值用戶",IF(AND(K2="高",L2="低",M2="低"),"一般發(fā)展用戶",IF(AND(K2="低",L2="高",M2="低"),"一般保持用戶","一般挽留用戶")))))))

經過這一步，我們終于就得到了最后的RFM模型啦，就得出了用戶的價值歸類啦，也就做好了分層啦；
03
制定運營策略和方案
前面我們搭建好了RFM模型，分析出了每個用戶屬于啥類別，最重要的就是根據RFM模型制定運營策略啦；
8大類的用戶，大方向的運營策略如下：

我們分析出了RFM模型，也知道了每個類別用戶的運營策略，接下來就制定運營方案了；
我們大多數產品是不可能真的做到完全個性化提供制定不同的產品和服務的，根據二八法則，我們很可能是根據產品發(fā)展階段，對該階段重點需要維護的用戶群體去制定運營方案，進行重點維護；
根據上面我們最后得出的RFM模型劃分出的用戶種類，我們可以使用數據透視圖來看看每個種類的用戶占比，從而根據產品用戶構成制定相應的運營方案；

PS.由于是非真實數據，所以里面有2個一般用戶類別沒有，分類占比也沒有可參考性；
我們一般會先集中維護重要用戶，這里可以看到其中“重要保持用戶”占到了30%，也就是我們產品在過去一段時間內，有30%的用戶近期都沒有消費了，那我們就可以把這個作為接下來的運營方向；
根據運營策略，“重點保持用戶”，我們需要刺激他們再次消費，和用戶主動保持聯(lián)系；
基于運營策略，我們就可以制定一系列的運營方案和方法了，能刺激用戶消費的方法和手段都是可以的，不限任何方式，比如策劃活動、推送push消息、發(fā)優(yōu)惠券……都是可以的；
04
注意事項
其實整個RFM模型的實際應用大概簡單就是上面說的，不過有2個點是需要注意的：
01
RFM定義的靈活性
RFM是可以根據產品不同來自定義的，比如：
R：最后一次購買時間，最后一次登錄時間，最后一次瀏覽時間，最后一次點擊時間，最后一次閱讀時間，最后一次評論時間等等；
F：購買次數，發(fā)帖次數，登錄頻率，評論次數等；
M：購買金額，評論數，點贊數，打賞金額等；
根據產品的類型來定義就行，找到適合自己產品的定義方法即可；
02
RFM模型的時間范圍
其實時間范圍除了對R值有限制之外，而且也是計算R值必須使用之外，對F和M值不一定非要限制時間，還是得看產品類型；
比如你是賣大家電的，你選取的時間范圍是過去一年，但有可能一年內，大部分用戶就購買了1單，那是不是大部分的F值就是1了，而且因為是大家電，價格浮動都在可接受范圍內，那M值基本也是很小范圍的波動了，這樣計算出RFM模型就不一定很受用；
這種時候，F(xiàn)值就不一定非得要取過去一年時間內，就可以選取累計消費頻次，M值也不一定非得要過去一年類的消費金額，可以選取累計消費金額或者客單價，這樣調整后的RFM模型可能更受用；
總之就是，不要死板的去使用RFM模型，一定要靈活變通使用，根據產品來使用，而且RFM模型的搭建不是目的，只是為了達到我們目的的途徑，搭建好RFM模型之后，我們需要根據實際業(yè)務去制定合適的運營策略和落地方案；