我们常常叨念或者听领导上级叨念要做精细化运营，要做用户分层运营，而后我们知道了用户分层的其中一个模型——RFM模型，貌似还蛮精细化的，所以决定就用它了；

因此转头一想，觉得用户精细化运营也蛮简单的嘛，用RFM模型就行了，可是，可是，随着深入思考，发现对RFM模型的实际应用根本不清楚，只有个大概的认知，只知道用它可以做到精细化运营；

我相信上面的场景是很多运营人都会遇到的一个情景，我也遇到过，加之最近有小伙伴在咨询RFM模型应用的问题，所以我按照我的实际应用方式来介绍一下RFM模型的实际应用；

说明：

使用到的工具：excel

使用到的数据：非真实数据

01

RFM模型简介

RFM模型大家都很清楚了，该模型的3大要素如下：

R：最近一次消费（recency），用户距离当前最后一次消费的时间；

F：消费频次（frequency），用户在一段时间内，在产品内的消费频次；

M：消费金额（monetary），代表用户的价值贡献；

根据这3个维度，每个维度进行两分，可以得到下表的8类用户：

上表可以转换成下图的样子，这个也是我们对RFM最熟知的一张图了：

如果我们能找出用户属于哪一类，我们就可以针对性的制定运营策略了；

关键的就是如何通过产品内已有的原始数据，处理成RFM模型的数据，这一步就是今天要重点介绍的；

02

RFM模型搭建

01

抓取RFM三个维度下的原始值

这里需要事先确定一个参考日期，也就是你是想分析哪段时间的数据？是3个月的？半年的？1年的？……，确定好这个分析时间段之后，直接在后台抓取RFM原始数据即可；

这里，我使用的非真实数据，确定的参考日期是2019年8月1日，也就是我要分析的是2019年1月1日~2019年8月1日的数据，如下：

02

初步处理R值

1）计算最近一次消费距离定义日期的天数

我们看到用户最近消费日期和我们定义的日期都是时间格式，不能直接拿来用的，我们需要的是最近一次消费日期距离我们定义的日期相隔多少天，然后根据这个相隔天数来计算R值；

也就是：最近一次消费距离定义日期的天数 =  E列日期 - D列日期，excel函数“DAYS360”可以直接完成这一步；

使用公式：

DAYS360(D2,E2)

即可，这样就计算出了相隔天数啦，需要注意的是函数里面的值先后顺序，第一个是起始日期，第二个是结束日期；

2）设定R参数

这个F列还不是R值，我们还需要将这个相隔天数经过某种计算，转换为我们需要的R初始值，我们需要做的就是先设定R参数，在根据设定的R参数计算；

怎么设定R参数呢，就需要根据我们的产品来了，我们可以根据下载的R原始数据画趋势图或占比图等方式，根据趋势图划分参数，也可以根据对产品的理解和定义，我们拍脑袋定义一个参数；

因为使用的是非真实数据，所以我就使用“拍脑袋”啦，当然最好的是根据趋势图来划分参数啦；

我设定的R参数是：15天、30天、60天、90天，根据相隔天数在不同的范围内赋1~5不同的数值以确定其重要性，当然相隔天数小于15天的最重要嘛，表示这个用户大概半个月前才买过我们的产品，所以值是5，依次类推；

这个计算，也是可以使用excel函数的，使用IF函数就可以了，不断的判断F列的数值属于那个区间，通过区间的不同来赋值；

使用公式：

IF(F2<15,5,IF(F2<30,4,IF(F2<60,3,IF(F2<90,2,IF(F2>90,1)))))

即可按照我们定义的R参数来赋值啦，赋值之后可以得到G列的R值了；

03

计算F值和M值

计算F、M值和R值是一样的步骤，需要先设定一个F、M参数，然后在根据参数来赋值计算出F值和M值，过程我就不叙述啦；

由于我事先假设的交易次数都在1~6之间，所以我“拍脑袋”设定的F参数是2/3/4/5，“拍脑袋”设定的M参数是30元/60元/90元/120元，在实际的应用中建议根据原始的交易次数和消费金额据画出趋势图或者占比图等，根据趋势图来设定F参数和M参数；

这里需要注意的是，根据F/M参数赋值，不同于R参数，F是消费频次，肯定是消费频次越高的越重要，所以赋的值越大，M是消费金额，肯定是消费金额越多的越重要，赋的值越大；

按照R值计算相同，也是使用IF函数，就可以得出F值和M值；

04

计算R/F/M的高低值

到这里，貌似和RFM模型里画的还有一点点不同，我们计算出的RFM是数值，而模型里的RFM是高低来表示的，所以我们需要将计算出的数值转换成高低，然后才能得出最终的RFM模型；

怎么转换呢，思路就是分别取R/F/M的一个中值，然后比中值大的就是“高”，比中值小的就是“低”，经过这一步后就可以了；

1）取R/F/M中值

所以关键就是中值怎么取，取中值的方法有多种，最简单的就是根据我们计算出的R/F/M值取平均数来作为中值，当然还可以使用其他数据作为中值，比如二八法则来选中值，更专业的算法分类等等，就不多说了，反正我一直是用平均值；

计算平均值就很简单啦，直接一个AVERAGE函数就可以搞定了；

2）根据中值将R/F/M转换成高低值

取了平均值后，我们直接使用IF函数，就可以将对应的R/F/M转换成高低值啦；

05

得出用户价值归类

根据我们计算出的最后R/F/M高低值，我们就可以根据模型来得出该用户的价值归类啊，直接一个IF函数搞定，不过这个IF函数有点点多；

使用公式：

IF(AND(K2="高",L2="高",M2="高"),"重要价值用户",IF(AND(K2="高",L2="低",M2="高"),"重要发展用户",IF(AND(K2="低",L2="高",M2="高"),"重要保持用户",IF(AND(K2="低",L2="低",M2="高"),"重要挽留用户",IF(AND(K2="高",L2="高",M2="低"),"一般价值用户",IF(AND(K2="高",L2="低",M2="低"),"一般发展用户",IF(AND(K2="低",L2="高",M2="低"),"一般保持用户","一般挽留用户")))))))

经过这一步，我们终于就得到了最后的RFM模型啦，就得出了用户的价值归类啦，也就做好了分层啦；

03

制定运营策略和方案

前面我们搭建好了RFM模型，分析出了每个用户属于啥类别，最重要的就是根据RFM模型制定运营策略啦；

8大类的用户，大方向的运营策略如下：

我们分析出了RFM模型，也知道了每个类别用户的运营策略，接下来就制定运营方案了；

我们大多数产品是不可能真的做到完全个性化提供制定不同的产品和服务的，根据二八法则，我们很可能是根据产品发展阶段，对该阶段重点需要维护的用户群体去制定运营方案，进行重点维护；

根据上面我们最后得出的RFM模型划分出的用户种类，我们可以使用数据透视图来看看每个种类的用户占比，从而根据产品用户构成制定相应的运营方案；

PS.由于是非真实数据，所以里面有2个一般用户类别没有，分类占比也没有可参考性；

我们一般会先集中维护重要用户，这里可以看到其中“重要保持用户”占到了30%，也就是我们产品在过去一段时间内，有30%的用户近期都没有消费了，那我们就可以把这个作为接下来的运营方向；

根据运营策略，“重点保持用户”，我们需要刺激他们再次消费，和用户主动保持联系；

基于运营策略，我们就可以制定一系列的运营方案和方法了，能刺激用户消费的方法和手段都是可以的，不限任何方式，比如策划活动、推送push消息、发优惠券……都是可以的；

04

注意事项

其实整个RFM模型的实际应用大概简单就是上面说的，不过有2个点是需要注意的：

01

RFM定义的灵活性

RFM是可以根据产品不同来自定义的，比如：

R：最后一次购买时间，最后一次登录时间，最后一次浏览时间，最后一次点击时间，最后一次阅读时间，最后一次评论时间等等；

F：购买次数，发帖次数，登录频率，评论次数等；

M：购买金额，评论数，点赞数，打赏金额等；

根据产品的类型来定义就行，找到适合自己产品的定义方法即可；

02

RFM模型的时间范围

其实时间范围除了对R值有限制之外，而且也是计算R值必须使用之外，对F和M值不一定非要限制时间，还是得看产品类型；

比如你是卖大家电的，你选取的时间范围是过去一年，但有可能一年内，大部分用户就购买了1单，那是不是大部分的F值就是1了，而且因为是大家电，价格浮动都在可接受范围内，那M值基本也是很小范围的波动了，这样计算出RFM模型就不一定很受用；

这种时候，F值就不一定非得要取过去一年时间内，就可以选取累计消费频次，M值也不一定非得要过去一年类的消费金额，可以选取累计消费金额或者客单价，这样调整后的RFM模型可能更受用；

总之就是，不要死板的去使用RFM模型，一定要灵活变通使用，根据产品来使用，而且RFM模型的搭建不是目的，只是为了达到我们目的的途径，搭建好RFM模型之后，我们需要根据实际业务去制定合适的运营策略和落地方案；