不会算法只用EXCEL如何构建RFM会员价值模型

一、引言

如果你听过客户关系管理（CRM），那么你大概率上也曾听到过RFM模型。在精细化运营的今天，在解决如何更好的挖掘用户价值之前，首先要解决的问题是如何衡量用户价值？

和用户价值有关的模型非常多，除了RFM模型之外，还有客户生命周期价值模型（CLV模型）、客户生命周期模型（AARRR模型）等。不同的模型切入的角度以及具体的应用不同，我们今天主要讲的是RFM模型。

本文主要分为两个部分：一是理论部分，简单告诉大家RFM模型是什么？能够给生意带来什么帮助？二是计算部分，如何只用EXCEL就可以计算RFM值并得出用户分层数据。

二、理论部分

1. RFM模型有什么用？

举例来说：某品牌经过10年的运营，拥有了500万的注册会员，这个数字是明确且可统计的。在这500万的注册会员中有400万的注册会员产生过购买行为。那么这400万产生过购买行为的会员中，有多少会员是品牌的忠诚用户？有多少会员已经流失？又有多少会员即将流失？

针对这些不同类型的用户，如何才能实现快速获取并快速定制运营方案？甚至可以直接设置自动化精准定向营销呢？

RFM模型可以给你解答这一系列的问题，只有掌握了品牌会员的不同分类以及价值，才能够有针对性地设计运营活动，从而提高最终的成交转化。

2. 什么是RFM模型？

根据美国数据库营销研究所Arthur Hughes教授的研究表明，在客户的数据库中有三个要素，这三个要素构成了分析用户价值的重要指标：

1. R (Recency) : 最近一次交易时间间隔；
2. F（Frequency) : 消费频率；
3. M（Monetary): 消费金额。

RFM模型即是这三个单词的首字母组合。

R (Recency) : 最近一次交易时间间隔，指的是消费者最后一次成交距统计时间的间隔。

例如消费者最后一次的交易时间是2021年3月6日，统计时间是2021年4月6号，那么间隔时间R=30天，即消费者最后一次成交发生的时间距统计时间的间隔是30天。

F（Frequency) : 消费频率，指的是在统计时间段内，消费者的消费次数。

例如统计时间是2021年的1月到3月，消费者在这期间一共消费了5次，那么正常情况下F=5。

有人可能会问：如果这5次消费行为中，有两次消费行为（两笔订单）发生在很短的时间内，例如10分钟以内，那么F=5还是F=4更合理呢？

笔者认为这需要根据公司的具体业务形态拟定。我们在定义F值的时候之所以会有这样的顾虑是因为通常情况下，我们把消费者在很短时间内多次下单的行为看做是一次消费行为，消费者拆单可能是为了凑满减满赠等。

回到问题的本源：我们统计F这个指标主要是为了衡量消费者的活跃性，哪种方式更能够代表行业特征或公司业务形态就采用哪种方式。当然业务特殊（例如生鲜外卖）或是为了统计方便，也可以直接把F=消费次数，不考虑消费时间间隔极短的情况。

M（Monetary): 消费金额，指的是在统计时间段内，消费者的累计消费金额。

在其他条件相同的情况下，R/F/M值具备如下特征：

• R值越小，用户价值越高，1年前在本店消费过的用户，价值肯定没有1天前在本店消费过的客户价值高。
• F值越大，用户越活跃且忠诚，也就是说经常购买的用户肯定比偶尔购买的用户价值要高。
• M值越大，用户价值越高。M值体现的是用户的购买力，购买力越高的用户价值自然也越大。

我们基于RFM三个值，可以构建出一个三维的坐标体系，把用户分成8个层级，如下图所示：

用表格的形式展现更便于理解：

整理成这样的形式就比较好理解了，我们把所有的用户，从RFM三个维度切分成了8种不同的类型。

3. RFM模型的应用场景

简单举几个例子来说明不同类型的用户，运营策略的不同。

1）针对【重要价值客户】

即RFM值均高的用户，我们通常称之为“至尊用户”，也是整个品牌用户群体中金字塔顶端的那一拨人，购买频率高，金额贡献高，而且频繁光顾店铺。

针对这波用户，运营的主要策略是：保持稳定增长，“至尊用户”的数量不要出现流失，并且能够不断从下层用户中往上输送新的“至尊用户”。很多公司都会针对这波用户出具一些特殊的权益，例如专属服务或“专属生日礼盒”等。

2）针对【重要挽留用户】

即很久没有进行复购，但之前的购物金额以及购物频率都很高的用户，如果放任不管，这波用户很可能随着时间的流逝而流失。

运营的主要策略是复购，可通过发放专属权益、针对性折扣、赠品等一系列的定向优惠形式使得这波用户重新光临店铺，对比拉新的成本，重新让这波用户再次回购的成本要低的多了。

3）针对【一般价值客户】

即RF值高但是M值小的用户，比较活跃但是成交金额比较低的用户。一般这类用户我们会称之为活跃用户，而且价格敏感型居多。

运营的主要策略是针对这波用户提高他们的客单价，可以通过定向搭配购、加钱换购等形式不断提高该波用户的客单价，商品购物篮推荐也是非常有用的。

这些运营策略仅供抛砖引玉，不同公司业务模式不同，因此在定义【用户等级】以及主要的运营策略过程中，需要根据业务的实际情况进行拟定，不可直接照搬。

三、如何构建RFM模型？

“道理我懂了，关键是怎么落地呢？”作为一名运营，尤其是公司有专业的数据分析团队以及CRM团队的运营来说，一般情况下，知道用户分层定义的逻辑就可以了。

日常工作中，运营做的更多的是，知道本公司的用户是如何分类的，每一种类型的定义是什么？针对不同的人群应该出具何种运营策略，这些运营策略实施的效果如何？并且如何不断优化运营策略……更多的重心是放在数据的应用上，对于模型的构建以及算法的应用，知道的不多。

而且通常情况下，一家公司的会员模型构建完成后，在相当长的一段时间内不会有任何的调整（除非业务模式发生变化）。

那么问题来了。

公司规模比较小或者项目初期，公司没有CRM部门、没有数据分析部门，很多工作需要运营去张罗的时候，如何能够利用RFM模型对现有人群做分层管理呢？

不懂算法、不会Python、不会SQL、统计学也不太好的情况下，只是利用Excel，如何能够把手头上已有的用户人群来进行分层打标签呢？

这里和大家分享两种只用EXCEL就可以计算的方法。

1. 数据源准备

在开始之前我们需要准备好分析用的源始数据 。

我们能够方便获得的是店铺在一定时间内的交易数据，包含：用户名、订单编号、订单金额、订单时间等字段的数据。我们利用交易数据可以提取到我们需要的RFM数据，利用简单的IF函数和数据透视表就可以实现了。

因为Excel表格太大拖不动的缘故，我选择了网站2018年-2020年，2年的交易数据，对他们进行处理后得到如下数据：

对会员ID做了模糊化处理，一共得到19万条的用户数据，分别知道每一个会员的RFM对应的值是多少。

2. 数据计算方法

在我们知道每一名用户对应的R/F/M值以后，我们需要知道RFM三个数值分别是多少才算是高 or 低？

1）方法一：四分位数法

① 四分位数理论

四分位数是统计学分位数中的一种，把所有数值从低到高（或者从高到底）排列并分成四等份，处于三个分割点位置的数值就是四分位数。

一般表示为：

• Q1：样本排列中处于25%位置的数字；
• Q2：又称为中位数，指的是样本排列中处于50%位置，即中间位置的数据；
• Q3：样本排列中处于75%位置的数字。

假设样本数据项数一共是N：

• 则Q1的位置数值=（N+1）/4；
• Q2的位置数值=（N+1)/2；
• Q3的位置数值=3（N+1)/4。

如果（N+1）恰好是4的倍数，则确定四分位数比较简单，如果不是4的倍数，相关位置的四分位数就应该是相邻两个数值的标志值的平均数。

权数的大小取决于两个数值距离的远近，距离越近权数越大，距离越远，权数越小，权数之和等于1。

例如一组样本数据如下所示：

N=10，则Q1的位置=11/4=2.75（12和196两个数值）；Q2的位置=5.5；Q3的位置=8.25。

则有：

• Q1=0.25*第2项+0.75*第3项=0.25*12+0.75*196=150；
• Q2=0.5*第5项+0.5*第6项=0.5*204+0.5*211=207.5；
• Q3=0.75*第8项+0.25*第9项=0.75*234+0.25*261=240.75。

在对应到RFM值的时候，我们可以定义为50%位置以下的数据值为【低】，即小于207.5的数值为低，50%位置以上的数据值为【高】，即大于207.5的数值为高。

也可以定义为75%位置以下的数据值为【低】，即小于240.75的数值为低，75%位置以上的数据值为【高】，即大于240.75的数值为高。

笔者的一般做法是：这两种划分位置都算一下，最后看结果，根据二八原则来确定选择哪一种高低分类更合理。

② 四分位数的应用

笔者直接按照“75%位置以下的数据值算低，75%以上的数据值算高”的方式来分别计算RFM三个数值的高低。

先算【R】值，因为R值越小越好，所以R值我们这边先按【倒序】排列，如此可得：

• N=1096，Q3的位置=3（N+1)/4=822.75；
• Q3=0.75*第822项+0.25*第823项=0.75*274+0.25*273=273.75。

所以，R值≥273.75的值定性为低，R值＜273.75的值定性为高，即距离统计时间越短的用户，价值越高。

计算【F】值：

• N=158，Q3的位置=3（N+1)/4=119.25；
• Q3=0.75*第119项+0.25*第120项=0.75*129+0.25*131=129.5。

所以，F值≥129.5的值定性为高，F值＜129.5的值定性为低。

计算【M】值：

N=26387，Q3的位置=3（N+1)/4=19791，恰好是4的倍数，故Q3=第19791项=2018。所以M值≥2018的值定性为高，M值＜2018的值定性为低。

三个数值都计算好之后，整理如下：

如此，我们通过简单的IF函数就可以计算出每一名用户R值的属性了，如下图所示：

按照相同的方式为F值和M值作出高低定义，结果如下：

然后我们根据如下表格，对所有的用户进行分层：

就可以得到各个用户的标签了，如下图所示：

2）方法二：评分法

评分法就是先将RFM的价值按照从低到高划分为1-5分，然后对每一个RFM的值进行打分，这样每一个RFM值都在1-5分之间，然后分再分别算出RFM三个数值各自的平均值，高于平均值的定性为“高”，反之定性为“低”。

我们用同样的一组数据来实操给大家看一下。

我们先给RFM三个数值进行打分，结合业务的具体特点，笔者做出如下定义：

有人会问了，我怎么知道小于90天的就是5分呢？

这里推荐三种方式：

1. 经验法，根据自己对业务所积累的经验来进行划分，当然也可以参考行业的常规定义；
2. 将数据进行5等分，分成5个区间块，每一个区间范围分别从高到低进行打分；
3. 有点复杂，举例来说：要算F值的划分，可以利用数据透视知道不同的购买次数对应的会员人数是多少？然后对购买次数进行分组，看会员数的占比情况，不断调整分组步长来进行划分。也就是说统计历史数据，看F值对应的会员人数占比分别是多少（F=2的在历史数据中的会员人数占比）？掌握F的数据分布情况后再进行打分。

根据上表，我们对RFM三个数值分别进行打分，同样用的是IF公式，我们将会得到如下表格：

然后分别算出R值的平均值是1.78，F值的平均值是1.41，M值的平均值是1.96。

如果某一用户的R值大于整列的平均值，则定性为“高”，如果低于平均值，则定性为“低”，如下图所示：

之后的步骤就同方式一所介绍的一样了，根据RFM值高低的不同，将所有的用户分成8个类型即可。

这里介绍的两种方法是只要通过EXCEL的形式就可以计算出来的，针对规模较小，或者是没有数据分析部的公司。

而一般情况下，构建RFM模型常用的是K-means聚类算法来进行人群RFM值的定义与划分，但是K-means对于运营人员来说有些吃力了，多是数据分析工程师具备的技能了。

还是那句老话，运营通常情况下，会用就可以了，当然如果能知道这个模型的计算逻辑就更好了。

分享结束，欢迎交流~~~

本文作者 @Trinity

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！