所谓的RFM模型,你真的用对了吗?

科技   2024-05-19 20:36   浙江  

大家好,我是阿粥。
在上一篇文章中,说句心里话,别轻易把RFM模型写进简历!
和大家聊了聊实际使用RFM会遇到的问题:


也收到了一些同学的反馈(不少私聊我想知道这些问题的答案)
今天,咱们再聊的深入点。

一、聚焦一个问题
RFM相关的项目,除了上面三个,还有很多深入的问题一问便知真实水平。
这些问题的答案,往往都藏在模型与业务思考中,本质是相似的。
这次,我主要讲清楚其中一个典型的问题:
RFM模型,用平均金额还是累计金额作为M会更合适?
“M既可以是累计金额,也可以是平均金额”。
事实上,目前大多数关于RFM的资料中M用的是累计金额。

累计金额衡量的是每个用户会花多少钱,而平均金额衡量的则是用户平均每次购买会花多少钱。除了在指标计算上不同,两者还有什么差异呢?


二、分类合理性
聚焦到用户身上,我们很容易发现:
累计消费了2000元的用户,大概率比累计消费500元的用户购买次更高。
几乎肯定比累计只消费50元的用户买了更多次
更确切地说,果用累计金额,那么RFM模型中的F和M将具有较高的相关性。
而RFM模型的本质目的是将不同类型的用户分成不同的群组。
两个相关性较强的指标最终的分类效果可能是会打折扣的。
平均金额,则在一定程度上避免了这种问题

三、业务逻辑
从对业务的价值来看,重要价值用户,即R、F、M最终归为“高、高、高”的用户,一定是需要重点维护的。
但在累计金额的口径下,很有可能存在不少高频次、低客单的用户。

例如:
A用户最近3天购买过,且历史购买过100次,平均每次只消费40元,总金额达到4000元的水平(假设在模型中累计消费满2000就是M值就是高)。
那么,这名用户会满足R、F、M三高的条件,被打上“重要价值用户”的标签。
合理吗?
在实际业务场景中,对于这类用户,应该通过一些关联推荐、定向优惠等方式促进他们每次购买单价的提升,而不是将他们放在重要价值用户的分类中,没有针对性的维护。

但如果用平均金额作为M的统计标准,这类高频次、低客单的用户是会被分在另一个档位的:
A用户最近活跃,购买频次高,但平均每次的消费金额不高,属于“高、高、低”档的用户,需要重点提升每次购买的单价。
这样分类对于业务人员来说更有的放矢。

当然,不只是重要价值用户,其他用户也会受到口径差异的影响。所以,在不少实际应用场景中,平均金额比累计金额作为M值分类标准,更加合适。
当然,累计金额在一些场景中也有其优势,两者并不是水火不容的关系,重点在于从业务逻辑来思考模型的合理性,切忌生搬硬套。
相信大家可以触类旁通,举一反三~
以上。
最后,我在《Python电商数据分析实战:从电商实际案例出发洞悉数据分析全流程》的第11章『用户分群实战与加强版RFM模型』的理论部分也有聊过这个问题,实战部分提供了几十万的订单源数据与代码,除了经典RFM分类,还有加强版RFM建模的应用。
感兴趣的朋友可以看看:
<<< 点击大图后,右滑查看更多 >>>
附上我专属的粉丝限时5折购书渠道:

数据不吹牛
有趣+干货的数据分析宝藏
 最新文章