数据分析方法：RFM模型

编辑导语：RFM是很传统的数据分析模型，几乎所有文章都会提到它，然而市面上流传的各种乱用、错用也非常多；本文作者对RMF做出了详细的分析，我们一起来了解一下。

上一篇讲了【 用户画像高大上，但90%的人都做失败了 】以后，很多同学表示想看RFM，今天它来了。

一、RFM基本原理

RFM是三个单词的缩写：

最近一次消费时间（Recency），取数的时候一般取最近一次消费记录到当前时间的间隔，比如7天、30天、90天未到店消费；直观上，一个用户太久不到店消费，肯定是有问题，得做点什么事情，很多公司的用户唤醒机制都是基于这个制定的。

一定时间内消费频率（Frequency），取数时，一般是取一个时间段内用户消费频率。比如一年内有多少个月消费，一个月内有多少天到店等等；直观上，用户消费频率越高越忠诚；很多公司的用户激励机制都是基于这个制定的，买了一次还想让人家买第二次。

一定时间内累计消费金额（Monetary），取数时，一般是取一个时间段内用户消费金额，比如一年内有多少消费金额；直观上，用户买的越多价值就越大；很多公司的VIP机制是基于这个指定的，满10000银卡，满20000金卡一类。

所以，即使单独看这三个维度，都是很有意义的。

当然，也有把三个维度交叉起来看的（如下图）：

因为RFM与时间有关，因此很多同学在取数的时候会纠结时间怎么分；严格来说，越柴米油盐，消费频次本身越高的业务，取的时间应该越短。

最典型的就是生鲜，人天天都要吃饭，7天不吃可能就有问题；普通的快消品零售可能取30天，类似服装百货零售可能取90天；当然，更多的做法是按月取，比如R按月取，F、M算最近一年内的数值——这样做单纯是因为比较方便理解而已。

RFM本质上是一种用三个分类维度，找判断标准方法；通过三个维度的组合计算，能判定出用户的好坏，然后采取对应措施。

RFM的真正意义在于：这是一种从交易数据反推用户价值的方法，因此可行性非常高！

要知道：做数据分析的最大瓶颈是数据采集，而只要是个正常企业，交易数据是肯定有的；因此只要企业建立了用户ID统一认证机制，就能将用户ID与交易数据关联起来，就能用RFM来分析用户了；即使没有埋点、没有网站、没有基础信息也能做，简直是方便好用的神器。

当然，所有方便好用的工具，都自带一些不足，RFM模型也是如此。

二、RFM的最大短板

RFM最大的短板，在于用户ID统一认证；不要小看这几个字，在相当多的企业里非常难实现。

比如你去超市、连锁店、门店买东西，往往收银小妹会机械的问一句：有会员卡吗？如果回答没有，她也放你过去了；导致的结果，是线下门店的订单，一般有70%-90%无法关联到用户ID；进而导致整个用户数据是严重缺失的，直接套RFM很容易误判用户行为。

至于用户一人多张会员卡轮流薅羊毛，多个用户共同一张VIP卡拿最大折扣，店员自己用亲戚的卡把无ID订单的羊毛给薅了之类的事，更是层出不穷；而且在实体企业、互联网企业都普遍存在。

所以做RFM模型的时候，如果你真看到111类用户，别高兴太早，十有八九是有问题的；现在的企业往往在天猫、京东、自有微商城、有赞等几个平台同时运作，更加大了统一认证的难度；如果没有规划好，很容易陷入无穷无尽的补贴大坑。

三、RFM的深层问题

即使做好了用户ID统一认证，RFM还有一个更深层的问题。

让我们回顾一下，RFM模型的三个基本假设：

• R：用户离得越久就越有流失风险
• F：用户频次越高越忠诚
• M：用户买的越多越有价值

反问一句：这三个假设成立吗？

如果不结合具体行业、具体产品、具体活动来看，似乎是成立的；但是一旦具体讨论就会发现：很多场景不满足这三个假设；因此：单纯讲RFM，不结合产品、活动，是很容易出BUG的。

R：用户离得越久就越有流失风险

• 如果是服装这种季节性消费，用户间隔2-3个月是很正常；
• 如果是手机、平板这种新品驱动产品，间隔时间基本跟着产品更新周期走；
• 如果是家居、住房、汽车这种大件耐用品，R就没啥意义，用户一辈子就买2次；
• 如果是预付费，后刷卡的模式，R就不存在了，需要用核销数据代替。

所以R不见得就代表着用户有流失风险，特别是现在有了埋点数据以后，用户互动行为更能说明问题。

F：用户频次越高越忠诚

• 如果用户消费是事件驱动的，比如赛事、节假日、生日、周末；
• 如果用户消费是活动驱动的，比如啥时候有优惠啥时候买；
• 如果用户消费是固定模式的，比如买药的用量就是30天。

以上情况都会导致F的数值不固定，可能是随机产生的，也可能是人为操纵的。

很多企业僵硬地执行RFM模型，往往会定一个固定的F值，比如促使用户买4次，因为数据上看买了4次以上的用户就很忠诚；结果就是引发用户人为拆单，最后F值做上去了，利润掉下来了。

M: 用户买的越多越有价值

• 如果用户是图便宜，趁有折扣的时候囤货呢？
• 如果用户买了一堆，已经吃腻了、用够了呢？
• 如果用户买的是耐用品，买完这一单就等十几二十年呢？
• 如果用户消费本身有生命周期，比如母婴，游戏，已经到了生命周期末尾呢？

很多情况下，用户过去买的多，不代表未来买的多，这两者不划等号；因此真看到011、001、101的客人，别急着派券，整明白到底出了啥问题才是关键。

除了单独维度的问题外，三个维度连起来看，也容易出问题；因为很多公司的用户结构不是金字塔形，而是埃菲尔铁塔型——底部聚集了太多的不活跃用户，且不活跃用户大多只有1单，或者只有几次登录便流失；因此RFM真按八分类化出来，可能000的用户比例特别多。

这意味着现有存活的用户，可能是幸存者偏差的结果，现有的111不是000的未来；要更深层次地分析为啥会沉淀大量不活跃用户，甚至从根上改变流程，才能解决问题；真按照RFM生搬硬套。可能就把业务带到死胡同里了。

四、RFM的典型乱用

RFM本身并没有错，在数据匮乏（特别是缺少埋点数据）的情况下，用RFM比不用RFM好太多了。

RFM的三个维度，每一个都很好用；RFM的整体架构，也适合用于评估用户经营的整体质量。

错的是生搬硬套RFM，不做深入分析；错的是看到买了大单的就叫爸爸，看到用户不买就急着发券的无脑做法；一味派券不但严重透支营销成本，更会培养出更多薅羊毛用户，破坏了正常经营，只为了RFM的数值好看。

特别是网上文章、网课最喜欢教的：按RFM，每个拆分成5段，分成5*5*5=125类，然后再用K均值聚类聚成5-8类的做法，更是大错特错。

• 经过K均值聚类以后，连RFM原有的含义清晰的优点都没有了，到底这8类咋解读，非常混乱。
• 这样做没有考虑数据滚动更新，过了一周或者一个月，RFM指标都变了呀！难道你还天天把全量用户拿出来聚类吗。
• k均值聚类不是一个稳定的分类方法，无监督的分类更适合做探索性分析；隔了一周，一个用户被分成完全不同的两类，这会让市场营销、运营策划执行政策的时候非常抓狂：一天一个样，到底要推什么！

本质上看，因为网课、网文给的都是一张清洗得完美的静态数据表：一不需要跟别的部门合作，二不需要考虑连续场景，所以才选了一个模型+算法的做法。

嗯，能不能用不重要，显得自己牛逼最关键！

五、如何让RFM更有用

综合RFM失效的场景，可以看出：季节性、商品特征、促销活动、节假日事件、用户生命周期，这五大要素，都会影响到用户的行为；因此不局限于RFM，深入研究用户场景非常关键。

注意，这五大要素研究起来，并没有想象中的难。比如很多商品有内在的关联性，只要熟悉业务就能整明白；比如季节性、节假日事件，本质上都和时间有关；因此，对用户登录、消费的时间打上标签，就能进行分析（如下图）。

促销活动也是同理，促销活动可以直接从订单识别出来，因此也很容易给用户贴上——促销敏感型的标签。

用户生命周期，需要数据采集，而且是采集一个最关键的数据即可。

最典型的用户生命周期是母婴行业做法，企业一定会采集一个最关键的数据：怀孕多少周了；这个数据爸爸们不见得清楚，妈妈们一定很清楚；知道了起点，后续就可以推算了。

类似的还有药店连锁做慢病管理、K12教育等等。

六、小结

任何模型都有其产生的历史背景、数据基础、使用范围；也不是所有模型的目的都是精准；简单、好用、省事，是更多时候的考虑。

因此再次强烈建议同学们，不要沉迷于当知识收集者，企图找到《宇宙唯一真理模型》然后死记硬背，顶礼膜拜。

多研究自己工作的行业特点，改造方法为我所用，才是让数据发挥更大作用的方法。

说起死记硬背，然后乱用的模型，除了RFM还有很多；比如关联分析，都快2021年了，居然还有人信啤酒与尿布，被乱用得也是一塌糊涂。

有兴趣的话，关注接地气的陈老师，我们下一篇分享，敬请期待哦。

#专栏作家#

接地气的陈老师，微信公众号：接地气学堂，人人都是产品经理专栏作家。资深咨询顾问，在互联网，金融，快消，零售，耐用，美容等15个行业有丰富数据相关经验。

本文原创发布于人人都是产品经理。未经许可，禁止转载

题图来自Unsplash，基于CC0协议