Return to site

Insight into RFM Model

【数据增长与营销模型学习】

· 数据驱动,技术,营销

RFM segmentation is a great method to identify groups of customers for special treatment.

Learn how to use this method to improve your customer marketing.

rfm model

RFM 是什么?

RFM 细分模型 是根据用户的行为表现将具有共同特征的用户群划分为一类的分类模型, 在提升用户忠诚度&黏性、顾客生命周期研究中有着丰富的实践应用。

RFM分别是对应着三个单词的首字母──最近一次表现(recency)、付费频次(frequency)、付费能力(monetary)。

运营政策的制定者往往能够收集到大量的用户数据: 用户订单历史记录、浏览行为记录、基础信息, 很多分类模型都是用这些信息确定的。 例如: 高净客用户(一线城市+付费500+) 、 中净客用户(二线城市·付费200+)、 其他用户。

Customer Lifetime Value

(CLV, or Customer LTV)

用户生命价值

The advantages of utilizing Customer Lifetime Value include better customer relationships, more effective marketing and more accurate metrics.

用户生命价值是指对一位用户预测其未来会在平台服务累积的贡献回报。

基于市场决策,对用户的价值预测能够引导出公司的预期营收, 因此对单个用户价值预测的准确性要求也就越高。

关注现在 < 关注未来

一般来说, 一位注册用户已经产生的行为是非常容易计算出其贡献的 ── 一个简单的SUM操作。

但我们应该更关注其未来会不会创造价值 :

- 一个“0价值”用户未来会不会转变为有价值用户;

- 一个“高价值”用户未来会不会流失,就此远离;

更具体地说, 我以前的公司非常关心新注册用户到新购买顾客的转化率(三日注册转化率、七日注册转化率作为两个核心KPI),而忽略了长期用户价值, 从而导致收获了大量“cheeeeeeap” 的新购买顾客(新人会注册后拿到20-50元coupon, 然后引导用户完成购买一单后就不再track。

(至少我们应该关心,有多少用户会继续购买、二单、三单, etc) 于是, 公司在新的发展阶段中开始追求cohort (高阶复购分析)。

这也是一种“追求超级用户”, 而非 “流量思维优先”的表现。

言而总之, CLV的目标是聚集于重视培养、关注长期积累、留存用户的粘性。

LTV计算的难点

预测未来不是一件容易的事情。

对一个用户而言, TA有多大的概率在未来一周还会活跃登录, 有多大的概率在未来一个月内继续购买内容是不容易给出答案的 ──特别是当这个TA是一位新用户, 因为TA几乎没什么历史积累行为可言。

除此之外, 预测计算需要整合各方的数据来源, 有不小的计算成本。

提供一些将复杂问题简化的思路: 先不考虑全局用户, 而是将所有用户分成若干小组, 从每组用户单独出发去预测。

比如说来自特定来源的用户(市场的特殊渠道, SEO)。

比如说买过特定产品(新用户破冰产品)。

自然, 还有一些成为成熟的统计学技术手段: 回归、 Bayesian模型。

这篇文章 里介绍了使用Excel预测用户购买的流程。

RFM Segmentation

这篇文章 里提到的 Customer细微分工具是一种很容易实现的分析手段。

segmenting customers 的目标是为了最大化用户的商业价值将用户分群做得更加准确, 相似的用户归到同一群组, 群组间的差异尽量显著。

RFM的原则之一:

二八原则: 你的80%营收来自于20%用户。

基本上可以武断地说,你的所有用户的支付能力是非均匀分布的, 就和世界上财富只会集中在那0.1% (0.01%) 。

Reference

在此处添加文本段落。
All Posts
×

Almost done…

We just sent you an email. Please click the link in the email to confirm your subscription!

OK