当前位置: 首页 / seo优化 / 正文

用户分层与RFM模型怎么做才好?

发布时间:2021-07-01 15:23:01 作者:码工小熊 68 次浏览


在各类型数据分析中,事前策划分析,是最容易让人摸不着头脑的。经常遇到运营的小伙伴跑来问:“小熊妹,领导让分析分析用户,找找营销机会,这怎么找呀??”

实际上,这种情况也确实很难办。俗话说:“字数越少,问题越大”。

如果在事前策划的时候,领导有很清晰的指示,比如:“对过去一年内累计消费1万元以上,且最近30天都没有登录的用户,每人免费送一个礼品,在登录APP后可领取”那分析就简单多了。只要按照条件,把符合领取资格的人的名单统计出来即可。

但如果没有这么细的要求,甚至只有一句话:分析分析看看。那很有可能我们辛辛苦苦做出来的东西,领导也不满意,最后白费力气。

因此,这个时候最重要的是:做好分类,把每种情况列清楚,然后针对具体情况给出我们的建议。至于领导采不采纳,让他们自己决定。比如最常见的:“分析分析用户”,我们可以用RFM模型做分类。

RFM模型由三个基础指标组成:

R:最近一次消费至今时间

F:一定时间内重复消费频率

M:一定时间内累计消费金额

RFM模型里,三个变量的含义是很具体的:

M:消费越多,用户价值越高。

R:离得越远,用户越有流失可能。

F:频次越低,越需要用一次性手段(比如促销、赠礼),频次越高,越可以用持续性手段(积分) 来维护

因此RFM能直接从数据推导出行动建议,是一种非常好用的办法。

实例分析

一起来看个具体例子:某个打车出行APP,已按RFM格式,统计好用户数据(如下图,仅为示例数据100条),现领导要求:分析分析用户情况。要怎么分析呢?

图片

第一步

第一步:先看M。区分用户价值是第一位的,先认清谁是大客户,谁是小客户,后边工作思路才清晰。这里只有100个例子,因此可以直接用excel的排序功能。

但假如数据有10000条,再排序一条条看就很不方便了,因此推荐一个通用的分类方法:十等分法。

十等分法背后的原理是:二八定律。相当多的业务,都是消费排名前20%的用户贡献80%的消费。因此可以先把用户按消费高低,分成10组,然后再看每一组的消费占整体比例,找出大客户。具体操作如下图所示

第二步

分好组以后,可以打开数据透视表,看一下每组的消费占比

哇!第一组用户就贡献了40%+的消费,前三组合起来,共30%的用户贡献额74%的消费,真是大客户呢,因此可以分类如下:

  • 第一组:VIP3(最高级VIP)
  • 第二组、第三组:VIP2(每组消费占整体大于10%)
  • 第四、第五组:VIP1(每组消费占整体大于5%,小于10%)
  • 剩下5组:VIP0(单组消费占整体不足5%)

这里可以用一个IF语句,来做好分类(如下图)

第三步

分类完以后可以观察每组的消费门槛在哪里,比如第一组的门槛是798元/月。在运营制定策略的时候,很有可能为了方便,找一个最近的整数。因此可以做一个手动调整,把VIP3的门店改到:一个月内消费800元。类似地,其他门槛也能做同样调整。

调整好了以后,我们已经分离出了大客户/小客户,可以做下一步的分类了。下一步可以做R。谁会一个月打车打几百上千块元呢?可能是有刚需以车代步的人(比如经常出差的白领,有交通费的管理层等等)。

这些人应该一直会有用车需求,我们要防备的,就是他们被别家打车软件勾引走。此时R值就很重要了,如果一个大客户长时间不来,很有可能已经被人挖走了,我们要赶紧挖回来。

那么如何确定R的分类呢?可以直接根据业务特点来定。比如打车,即使再需要坐车的人,也不可能天天出门,因此R值不需要设定的太短,否则天天在人家耳朵边喊:“来坐车来坐车”,也太过度骚扰用户了。

R值可以以周为单位分类。除了十一厂家,一周内有工作日和休息日,因此再迟1周也该来坐车了(如下图)

分好类以后,可以做交叉表,观察不同VIP的客户在R值分布情况(如下图)

看起来,VIP等级越高,R值越小,而VIP0的用户,居然有80%已经2周以上都没来了,要么真的没需求,要么已经流失了。这样,对VIP0的分析建议,也很清楚了:结合天气、节假日、活动等具体场景,给小额优惠,配合单次打车优惠券唤醒用户。

对于很高价值的:掏真金白银,维护好关系

对于很低价值的:定时唤醒,捞回来一个是一个

对于不高不低的,则要区分行为来看。

比如本案例中VIP1型用户,两级分化很明显,一波人很活跃,一波人很沉默,而其消费能力都是差不多的。此时可以有两个基本策略:

针对高活跃的,推出一个捆绑XX天的优惠套餐,锁定后续消费

针对低活跃的,在其沉睡一段时间以后,推出大额激励,拉动二次消费

这样的思路下,F就可以作为参考,从VIP1里,用F值区分出两类人,之后制定具体策略。

图片

当然,以上都是我们的建议,很有可能领导不认同。

比如在领导心中:

  • 频繁用车的大客户都是刚需,所以不要维护了,重点挽留很久没有用过APP的
  • 只用1次以后就再也不来的,不是核心客户,所以不要唤醒了,重点挽留大客户

总结

这些结论,都是基于同一个数据的不同解读,在没有经历过测试之前,没有对错之分。因此领导他老人家高兴就好。作为提供建议的人,我们做好分类,有充足的数据即可。

以上就是一个简单的示例。需要特别提醒的是:很多做运营的小伙伴,脑子里没有啥套路。对于活动、文案、设计的各种玩法甚至还没有小熊妹懂得多。那可不!我可是各大APP薅羊毛高手,光手机号就有5个呢,哼!。

在懂得太少的情况下,就不能把运营上的做法,转化成一个可以分析的数据,也就没法做分析了。

就比如RFM,本身它只是一个计算方法,没有人教过结合到具体场景该怎么分(比如买菜就和打车不一样),因此还是得靠小伙伴们自己多掌握一些方法,结合实际思考,才能解决问题哦。

转载请保留本文链接:https://www.zhe94.com/901.html

小超越
热爱折腾,曾想着改变世界,如今只能向生活低头,寻找可口的牛奶和面包
添加站长微信作者头像
专注高品质湛江网站建设及湛江SEO优化服务 立即咨询