用戶運(yùn)營中，使用RFM模型進(jìn)行用戶分層是常規(guī)操作，那么具體如何實(shí)現(xiàn)呢？本文將具體進(jìn)行分析。

用戶的價(jià)值分層，主要有兩種方式：

1. 通過用戶的成長(zhǎng)軌跡，根據(jù)用戶的生命周期做定義：導(dǎo)入期-成長(zhǎng)期-成熟悉-休眠期-流失期，每個(gè)階段對(duì)用戶的運(yùn)營目標(biāo)都不一樣。
2. 根據(jù)用戶的關(guān)鍵行為做劃分，對(duì)用戶進(jìn)行區(qū)隔，實(shí)現(xiàn)用戶分層。

典型的就像RFM，找到產(chǎn)品中能夠衡量用戶價(jià)值的關(guān)鍵行為，對(duì)其進(jìn)行交叉分析和評(píng)估，最終形成分層模型。

• R 最近一次交易的時(shí)間：R值最大，說明發(fā)生交易的時(shí)間越久，反之，發(fā)生交易的時(shí)間越近。
• F 交易的頻次：F越大，說明交易頻繁，是平臺(tái)的用戶用戶，反之，用戶不夠活躍。
• M 交易的總金額：M越大，客戶價(jià)值越高，是平臺(tái)的重點(diǎn)用戶。

將用戶每一維度與其中值對(duì)比，和中值高低與否，我們一共可以將用戶劃分成 2*2*2=8類用戶。

了解了用戶的分層等級(jí)，就可以對(duì)不同價(jià)值的用戶實(shí)施精細(xì)化的運(yùn)營，該促進(jìn)消費(fèi)的刺激消費(fèi)，該召回的召回….

二、RFM模型的運(yùn)用

具體的實(shí)施步驟：

下面我們就以一份電商的統(tǒng)計(jì)數(shù)據(jù)為例：

1. 先篩選數(shù)據(jù)

因?yàn)殡娚唐脚_(tái)會(huì)有一些退貨交易失敗的情況，這部分不是我們要研究的對(duì)象，所以先篩選出交易成功的用戶。

2. 定義RFM評(píng)估模型

用數(shù)據(jù)透視表查看數(shù)據(jù)分布情況，也可以根據(jù)具體業(yè)務(wù)情況進(jìn)行劃分等級(jí)，或者用28法，80%的用戶都集中在低頻低金額的區(qū)間，20%的用戶卻又創(chuàng)造了大部分營收。

根據(jù)上面的數(shù)據(jù)，我將三個(gè)維度區(qū)間劃分成五個(gè)層級(jí)：

3. 先算出R值

相距的時(shí)間差：

用if函數(shù)算出各用戶的R值：

IF(D10<=30,5,IF(D10<=60,4,IF(D10<=90,3,IF(D10<=120,2,1))))

4. 算出F值

算出每個(gè)用戶的購買次數(shù) ：COUNTIFS(A：A，A2)

第二步：根據(jù)次數(shù)，算出對(duì)應(yīng)的F值，因?yàn)榇蠖鄶?shù)用戶購買次數(shù)在5以下，直接用購買次數(shù)代替F值。

5. 算出M值

金額數(shù)做數(shù)據(jù)透視，算出每個(gè)用戶的支付總額。

根據(jù)用戶的消費(fèi)金額，用if函數(shù)同樣算出對(duì)應(yīng)的M值分?jǐn)?shù)。

6. 進(jìn)一步計(jì)算

分別用計(jì)算出的RFM值跟中值做對(duì)比，比中值大的用“高”表示，反之用“低”。

IF(B6>$F$1,"高","低")

給其他兩個(gè)打標(biāo)簽：

7. 用if函數(shù)自動(dòng)計(jì)算出用戶層級(jí)

IF(AND(F2="高",G2="高",H2="高"),"重要價(jià)值用戶",  IF(AND(F2="高",G2="低",H2="高"),"重要保持用戶",  IF(AND(F2="低",G2="高",H2="高"),"重要發(fā)展用戶",  IF(AND(F2="低",G2="低",H2="高"),"重要挽留用戶",  IF(AND(F2="高",G2="高",H2="低"),"一般價(jià)值用戶",  IF(AND(F2="高",G2="低",H2="低"),"一般發(fā)展用戶",  IF(AND(F2="低",G2="高",H2="低"),"一般保持用戶",  IF(AND(F2="低",G2="低",H2="低"),"一般挽留用戶"))))))))

8. 做表，制定策略

做數(shù)據(jù)透視表，算出不同層級(jí)用戶的占比，針對(duì)其指定策略