作者：接地氣的陳老師

來源：接地氣學堂

上一篇講了【用戶畫像高大上，但90%的人都做失敗了！】后，很多同學表示想看RFM模型，今天它來了。RFM模型是很傳統的數據分析模型，幾乎所有文章都會提到它，然而市面上流傳的各種亂用、錯用也非常多。今天我們系統講一下

 1 

RFM基本原理

RFM模型是三個單詞的縮寫：

最近一次消費時間 (Recency)，取數的時候一般取最近一次消費記錄到當前時間的間隔，比如7天、30天、90天未到店消費。直觀上，一個用戶太久不到店消費，肯定是有問題，得做點什么事情。很多公司的用戶喚醒機制都是基于這個制定的。

一定時間內消費頻率 (Frequency)，取數時，一般是取一個時間段內用戶消費頻率。比如一年內有多少個月消費，一個月內有多少天到店等等。直觀上，用戶消費頻率越高越忠誠。很多公司的用戶激勵機制都是基于這個制定的，買了一次還想讓人家買第二次。

一定時間內累計消費金額(Monetary) ，取數時，一般是取一個時間段內用戶消費金額。比如一年內有多少消費金額。直觀上，用戶買的越多價值就越大。很多公司的VIP機制是基于這個指定的，滿10000銀卡，滿20000金卡一類。

所以，即使單獨看這三個維度，都是很有意義的。當然，也有把三個維度交叉起來看的（如下圖）。

因為RFM與時間有關，因此很多同學在取數的時候會糾結時間怎么分。嚴格來說，越柴米油鹽，消費頻次本身越高的業務，取的時間應該越短。最典型的就是生鮮，人天天都要吃飯，7天不來可能就有問題。普通的快消品零售可能取30天，類似服裝百貨零售可能取90天。當然，更多的做法是按月取。比如R按月取，F、M算最近一年內的數值。這樣做單純是因為比較方便理解而已。

RFM本質上是一種用三個分類維度，找判斷標準方法。通過三個維度的組合計算，能判定出用戶的好壞，然后采取對應措施。

RFM的真正意義，在于：這是一種從交易數據反推用戶價值的方法，因此可行性非常高！要知道：做數據分析的最大瓶頸是數據采集，而只要是個正常企業，交易數據是肯定有的。因此只要企業建立了用戶ID統一認證機制，就能將用戶ID與交易數據關聯起來，就能用RFM來分析用戶了。即使沒有埋點、沒有網站、沒有基礎信息也能做，簡直是方便好用的神器。

當然，所有方便好用的工具，都自帶一些不足，RFM模型也是如此。

 2 

RFM的最大短板

RFM最大的短板，在于用戶ID統一認證。不要小看這幾個字，在相當多的企業里非常難實現。比如你去超市、連鎖店、門店買東西，往往收銀小妹會機械的問一句：有會員卡嗎？如果回答沒有，她也放你過去了。導致的結果，是線下門店的訂單，一般有70%-90%無法關聯到用戶ID，進而導致整個用戶數據是嚴重缺失的，直接套RFM很容易誤判用戶行為。

至于用戶一人多張會員卡輪流薅羊毛，多個用戶共同一張VIP卡拿最大折扣，店員自己用親戚的卡把無ID訂單的羊毛給薅了之類的事，更是層出不窮，而且在實體企業、互聯網企業都普遍存在。所以做RFM模型的時候，如果你真看到111類用戶，別高興太早，十有八九是有問題的?，F在的企業往往在天貓、京東、自有微商城、有贊等幾個平臺同時運作，更加大了統一認證的難度。如果沒有規劃好，很容易陷入無窮無盡的補貼大坑。

 3 

RFM的深層問題

即使做好了用戶ID統一認證，RFM還有一個更深層的問題。

讓我們回顧一下，RFM模型的三個基本假設：

R：用戶離得越久就越有流失風險

F：用戶頻次越高越忠誠

M：用戶買的越多越有價值

反問一句：這三個假設成立嗎？如果不結合具體行業、具體產品、具體活動來看，似乎是成立的。但是一旦具體討論就會發現：很多場景不滿足這三個假設。因此：單純講RFM，不結合產品、活動，是很容易出BUG的。

R：用戶離得越久就越有流失風險

如果是服裝這種季節性消費，用戶間隔2-3個月是很正常

如果是手機、平板這種新品驅動產品，間隔時間基本跟著產品更新周期走

如果是家居、住房、汽車這種大件耐用品，R就沒啥意義，用戶一輩子就買2次

如果是預付費，后刷卡的模式，R就不存在了，需要用核銷數據代替

所以R不見得就代表著用戶有流失風險，特別是現在有了埋點數據以后，用戶互動行為更能說明問題。

F：用戶頻次越高越忠誠

如果用戶消費是事件驅動的，比如賽事、節假日、生日、周末……

如果用戶消費是活動驅動的，比如啥時候有優惠啥時候買……

如果用戶消費是固定模式的，比如買藥的用量就是30天……

以上情況都會導致F的數值不固定，可能是隨機產生的，也可能是人為操縱的。很多企業僵硬地執行RFM模型，往往會定一個固定的F值，比如促使用戶買4次，因為數據上看買了4次以上的用戶就很忠誠。結果就是引發用戶人為拆單，最后F值做上去了，利潤掉下來了。

M: 用戶買的越多越有價值

如果用戶是圖便宜，趁有折扣的時候囤貨呢？

如果用戶買了一堆，已經吃膩了、用夠了呢？

如果用戶買的是耐用品，買完這一單就等十幾二十年呢？

如果用戶消費本身有生命周期，比如母嬰，游戲，已經到了生命周期末尾呢？

很多情況下，用戶過去買的多，不代表未來買的多。這兩者不劃等號。因此真看到011、001、101的客人，別急著派券，整明白到底出了啥問題才是關鍵。

除了單獨維度的問題外，三個維度連起來看，也容易出問題。因為很多公司的用戶結構不是金字塔形，而是埃菲爾鐵塔型：底部聚集了太多的不活躍用戶，且不活躍用戶大多只有1單，或者只有幾次登錄便流失，因此RFM真按八分類化出來，可能000的用戶比例特別多。

這意味著現有存活的用戶，可能是幸存者偏差的結果，現有的111不是000的未來。要更深層次地分析為啥會沉淀大量不活躍用戶，甚至從根上改變流程，才能解決問題。真按照RFM生搬硬套?？赡芫桶褬I務帶到死胡同里了。

 4 

RFM的典型亂用

RFM本身并沒有錯，在數據匱乏（特別是缺少埋點數據）的情況下，用RFM比不用RFM好太多了。RFM的三個維度，每一個都很好用。RFM的整體架構，也適合用于評估用戶經營的整體質量。錯的，是生搬硬套RFM，不做深入分析。錯的是看到買了大單的就叫爸爸，看到用戶不買就急著發券的無腦做法。一味派券不但嚴重透支營銷成本，更會培養出更多薅羊毛用戶，破壞了正常經營，只為了RFM的數值好看。

特別是網上文章、網課最喜歡教的：按RFM，每個拆分成5段，分成5*5*5=125類，然后再用K均值聚類聚成5-8類的做法，更是大錯特錯。

一來，經過K均值聚類以后，連RFM原有的含義清晰的優點都沒有了，到底這8類咋解讀，非?；靵y。

二來，這樣做沒有考慮數據滾動更新，過了一周或者一個月，RFM指標都變了呀！難道你還天天把全量用戶拿出來聚類嗎。

三來，k均值聚類不是一個穩定的分類方法，無監督的分類更適合做探索性分析。隔了一周，一個用戶被分成完全不同的兩類，這會讓市場營銷、運營策劃執行政策的時候非常抓狂：一天一個樣，到底要推什么！

本質上看，因為網課、網文給的都是一張清洗得完美的靜態數據表，一不需要跟別的部門合作，二不需要考慮連續場景，所以才選了一個模型+算法的做法。嗯，能不能用不重要，顯得自己牛逼最關鍵！

 5 

如何讓RFM更有用

綜合RFM失效的場景，可以看出：季節性、商品特征、促銷活動、節假日事件、用戶生命周期，這五大要素，都會影響到用戶的行為。因此不局限于RFM，深入研究用戶場景非常關鍵。

注意，這五大要素研究起來，并沒有想象中的難。比如很多商品有內在的關聯性，只要熟悉業務就能整明白。比如季節性、節假日事件，本質上都和時間有關，因此，對用戶登錄、消費的時間打上標簽，就能進行分析（如下圖）。促銷活動也是同理，促銷活動可以直接從訂單識別出來，因此也很容易給用戶貼上：促銷敏感型的標簽。

用戶生命周期，需要數據采集，而且是采集一個最關鍵的數據即可。最典型的用戶生命周期是母嬰行業做法，企業一定會采集一個最關鍵的數據：懷孕多少周了。這個數據爸爸們不見得清楚，媽媽們一定很清楚。知道了起點，后續就可以推算了。類似的還有藥店連鎖做慢病管理，K12教育等等。

 6 

小結

任何模型都有其產生的歷史背景、數據基礎、使用范圍，也不是所有模型的目的都是精準。簡單、好用、省事，是更多時候的考慮。