针对不同分层用户，运营策略要如何制定

在用户操作领域，有一个词叫做RFM，我相信很多人都看到过，可能会觉得更专业，没有继续深入；或者一些文章涉及Python和其他数据处理方法；或者因为这个词与电子商务密切相关，非电子商务运营合作伙伴选择放弃学习。今天主要分享RFM模型在用户分层精细化操作领域的应用方法和简单实用案例。RFM模型属于用户价值模型，在用户价值模型中有两个方向：一个是基于用户生命周期，即产品中时间和用户生命周期模型的增长路径，另一个是基于用户关键行为的RFM模型，这只是说用户价值模型RFM模型RFM模型的好处？当我们确定RFM模型时，我们可以决定哪些用户发送短信，加上前缀“尊敬的VIP用户”，哪些用户加上前缀“很长一段时间”。它还可以帮助企业判断哪些用户有变化，是否有损失的迹象，从而增加相应的操作动作。用途大，看下面。你可以在网上搜索RFM的科普，这里就不赘述了。先说三个字母的意思:R：最后一次消费（recency），代表用户距离当前最后一次消费的时间，当然是最后一次消费的时间距今越短越好，对我们来说更有价值，更可能有效的去触达他们。F：消费频次（frequency），在一段时间内，用户在产品中的消费频率集中在我们对一段时间的定义上。M：消费金额（monetary），代表用户的价值贡献。最早是将R、F、M每个方向定义5个档次，5*5*5=125个用户分类。对于大多数运营商和产品来说，这太复杂了。你不必知道为什么它们被分为5档。现在我们已经把R拿走了、F、M的每个方向定义为：高、低、两个方向，我们找到R、F、M的中值，R=最后一次消费，高于中值就是高，低于中值就是低。这是2*2*2=8种用户分类，如下图所示:因此，如果我们能找出产品中哪一类用户属于上述8类，我们就可以制定有针对性的操作策略。在构建具体的RFM之前，我再次强调RFM模型不仅适用于电子商务领域，也适用于其他领域。只要我们找到跟R、F、M相关数据字段，定义字段，证明这些字段是影响当前业务进展的最关键维度：R：最后一次登录，最后一次发布，最后一次投资，最后一次*：浏览次数、发帖次数、评论次数M：充值金额、奖励金额、评论数、点赞数都在其他领域、F、M的定义，应根据实际业务情况进行评估。比如你是豆瓣的运营负责人，发现豆瓣图书板块的整体流量在过去一周下降了10%。同时，文学书籍类别下的共享帖子逐月下降了5%。你应该分析原因，选择相应的R、F、M的字段分别为：登录数、发帖数、互动数。比如你是豆瓣的运营负责人，发现豆瓣图书板块的整体流量在过去一周下降了10%。同时，文学书籍类别下的共享帖子逐月下降了5%。你应该分析原因，选择相应的R、F、M的字段分别是：登录、发布和交互。图书部分的整体流量下降可以理解为该部分的活跃下降，并查看过去一周的登录数量。分享文学书籍类别下的帖子下降5%，可以看看过去一周的帖子数量。同时，随着流量的下降，我们可以看到用户的互动(评论、收藏等)是否因为帖子质量的相对下降而下降，从而导致流量的下降。以我自己抓取的1w导购平台的一套数据为例，带你用最简单的方法在这套数据中构建用户RFM模型，找出这8类用户。RFM模型的构建步骤如下：捕获RFM模型、F、R三维度下的原始数据定义、F、M的评估模型和中值进行数据处理，获取R、F、M值参考评估模型和中值，为不同层次的用户分层指定操作策略(1)捕获R、F、在M的三个维度下，我捕捉到了最新的消费时间、频率和金额。如上所述，在进行各自的业务分析时，可根据实际情况选择R、F、M的数据字段。下表显示了1w条数据中的13条：（2）我用比例趋势图处理了1w条数据的最新消费时间、消费频率和消费金额。以消费频率为例，如下图所示：通过图表，我们可以看到1w条数据中有几个明显的消费频率故障，即：消费1次、消费2-5次、消费6-11次、消费12-17次、消费18次以上。因此，我将F值分为5档，F=1=消费1次，F=2=消费2-5次，F=3=消费6-11次，F=4=12-17次，F=5=18次以上。同样，在上图中，我发现了R值和M值5分别对应的数据范围。R=1=2天，R=2=3-8天，R=3=9-14天，R=4=15-22天，R=5=23天以上；M=1=600元，M=2=601-3800元，M=3=3801-6200元，M=4=6201-10000元，M=5=10001-15000元。我们得到RFM三个数据指标下的分类标准:(R值反向值，R值越大，用户价值越低；F值正值，F越大，用户价值越高；M值正值，M值越大，用户价值越大。）(3)计算每个数据下最新消费时间、消费频率和消费金额对应的1w条数据。、F、M值：上图的计算方法相对简单。我们在excel中写入if语句：单元格E2=if（B2>23,5,if(B2>15,4,if(B2>9,3,if(B2>)解释:如果B2大于23，A1用户对应R值=5，否则进入下一个if判断；如果B2大于15，则A1用户对应R值=4，否则进入下一个if判断；如果B2大于9，则A1用户对应R值=3，否则进入下一个if判断；如果B2大于3，则A1用户对应R值=2，否则进入下一个if库存。F值和M值的计算方法是一样的。F值和M值的计算方法相同。(4)R计算、F、每个人都应该知道M的平均值，直接要求和再除以项数。R（ave）=2.9，F（ave）=1.8，M（ave）=2.7(5)每个用户的R值和F值将有1w条数据、M值与平均值进行比较。如果高于平均值，则标记为高，如果低于平均值，则标记为低：对比高低值。使用简单的if语句：（6）每个用户的R、F、M值分别与中值进行比较，获取用户所属的类别表：每个用户的R值和F值、将M值与中值进行比较，判断高低，然后确定用户属于上述RFM模型8类用户中的哪一类。在这里，我们需要使用一个简单的if语句来判断。我们以A1用户为例，判断A1用户的用户类别：同时，我们点击excel中的“条件格式”，将文本中的“高”字设置为绿色，用“低”字设置“红”，更方便我们识别。到目前为止，我们已经在这1w条数据下对用户进行了完整和精细的分层。接下来，我们可以根据分层结果进行相应的操作策略。到目前为止，我们已经在这1W数据下获得了用户的完整和精细的分层。接下来，您可以根据分层结果进行相应的操作策略。（7）根据用户分层结果制定操作策略，制定操作策略，不仅要结合产品中各种用户的比例，还要结合产品的实际业务逻辑。以购物指南平台用户分层为例，制定以下策略：一些朋友在制定策略时，直接扔一堆不能称为策略“计划”，如“重要开发用户”，我给出的策略是“提高频率”，所有围绕提高频率的手段都可以尝试，而不是制定：发送push、优惠券、电话等方案，这些都是在战略支持下的操作手段。战略本身必须可以延伸和复制。除了上述根据用户类别制定运营策略外，我们还可以分析R值分布、F值分布、M值分布等1w数据。基于三个数值的分布和与中值的比较，我们可以在最近的消费时间、消费频率和消费金额维度下进行整体运营，从而提高站内用户的整体活跃度、整体流程和GMV。总的来说，RFM模型并不难，但有一些要点需要注意：在捕获原始数据时，我们必须结合实际业务选择关键数据指标进行分析，而不是最近的消费时间、频率和消费金额。在豆瓣案例中，上面也给出了豆瓣案例，R=登录数、F=发帖数、M=互动数。R值和F值的定义、当M值评估模型分隔数据范围时，本文描述的整体趋势不是一样的，因此可以找到明显的断档形式，也可以通过散点图、透视表、比例图等来判断。与此同时，除了通过数据发现断档外，我们还可以根据自己的业务和行业平均水平来发现临界点。例如，对于滴滴、易道等出租车软件，使用频率相对较高的必须是工作日。因此，如果分析滴滴的业务，F值消费频率的5个分类可以基于实际业务，每5天作为一个分类，分析近30天的业务业绩。例如，F=1=5天内，F=2=6-10天，F=3=11-15天，F=4=16-20天，F=5=21-30天。然后将提取的每个用户的消费频率与这五个文件进行比较，以确定每个用户的F值计算中值。最简单的方法是本文中提到的平均值计算方法。除了平均值，还有28条规则，20%的用户创造了80%的收入。因此，这个临界点可以作为每个用户的R、F、M比较对象。对于更复杂的业务，您可以寻求程序员的帮助，并使用Means聚类算法进行精确的数字提取。除了本文中提到的三个核心业务指标的交叉分析外，有时我们可能需要同时分析四个或五个指标，或者只需要分析两个指标。因此，本文的计算方法不需要很死板地使用，要灵活，这里就不举例了。最后，我们应该回归运营。因此，不同层次用户的运营策略应结合实际情况制定。制定运营策略后，应结合公司现有资源和手段开展具体落地工作。建议您尝试本文的内容。