用戶精細(xì)化運營和分層「用戶分層體系」

編輯導(dǎo)語：在互聯(lián)網(wǎng)紅利逐漸消失的當(dāng)下，粗狂式的運營已經(jīng)難以為繼，如何把有限的費用投入到我們最精準(zhǔn)的用戶上，也就是所謂的精細(xì)化運營，是每個公司應(yīng)該關(guān)注的問題。這其中最重要的是用戶分層，本文介紹了用戶分層的一種最常見、也最常見的方法：RFM用戶分層。

隨著互聯(lián)網(wǎng)流量紅利的逐漸消失，之前粗狂式的拓客和一刀切的用戶運營已經(jīng)難以為繼，越來越多的公司開始意識到，只靠燒錢圈用戶、養(yǎng)用戶成本太高，因為不是所有的用戶都需要你重點投入，金主爸爸一定要好好維護，潛力股一定要加大投入挖掘價值，而羊毛黨永遠(yuǎn)都是你應(yīng)該嚴(yán)防的對象，這就是所謂的精細(xì)化運營，錢要花在刀刃上，要花在業(yè)務(wù)和核心用戶上。

精細(xì)化運營講究的是千人千面，一千類用戶一千種運營策略，所以第一步就是要把用戶進行分類，然后才有針對性的運營策略，而用戶分類中一種尤為重要和常用的方法就是RFM。

什么是RFM？RFM最早產(chǎn)生于電商領(lǐng)域，根據(jù)客戶的交易頻次和交易額衡量客戶的價值，對客戶進行細(xì)分。

RFM是衡量客戶價值的三個維度，分別為R（Recency）交易間隔、F（Frequency）交易頻度、M（Monetary）交易金額組成。

R表示間隔（Recency）：也就是客戶最近一次交易距今的間隔，需要注意的是，R是最近一次交易時間到現(xiàn)在的間隔，而不是最近一次的交易時間，R越大，表示客戶越久未發(fā)生交易，反之R越小，表示客戶越近有交易發(fā)生。

F表示頻次（Frequency）：也就是客戶在最近一段時間內(nèi)交易的次數(shù)，一般來說選取一個特定的時間段，F(xiàn)越大，表示客戶交易越頻繁，反之F越小，表示客戶不夠活躍。

M表示額度（Monetary）：也在同樣的時間段內(nèi)，客戶交易的金額，M越大，表示客戶價值越高，M越小，表示客戶價值越低。

有了以上3個維度的數(shù)據(jù)，就可以對每個用戶按照每個維度進行衡量，一般來說我們會選取一個合理的分值對R、F、M進行劃分，將3個維度分別分為高、低兩類，組合下來就是8類，也就形成了8個用戶群體。

當(dāng)然你說我每個維度分成3類行不行，最終分成27個用戶群體不是更精細(xì)，當(dāng)然沒問題，但是我們能不能給出27種不同的運營方案，如果給不出，如此細(xì)分不就是自嗨么？

畢竟，分為多少個群體不重要，每個群體都要有個性化的運營策略才重要。

下面是一張經(jīng)典RFM客戶細(xì)分模型圖，R分值、F分值和M分值三個指標(biāo)構(gòu)成了一個三維立方圖，在各自維度上，根據(jù)得分值又可以分為高、低兩個分類，分別用2、1表示，最終3個指標(biāo)兩兩組合，就構(gòu)成了8大客戶群體。

對每個用戶群體進行定性，例如R、F、M分值高的客戶為重要價值客戶，R、F、M三個分值都低的客戶為潛在客戶，其他類型客戶可以此類推解讀。

RFM的原理到這里就講完了，是不是很簡單？確實很簡單，但是也確實很實用，在實際的工作中是如何實施這個用戶分層模型的呢？下面我們就用一個實際的案例手把手教你如何進行RFM用戶分層。

整體來說，RFM模型實施需要以下幾個關(guān)鍵的步驟。

下面通過一個實際的案例學(xué)習(xí)RFM分析的使用，案例是用python做的，當(dāng)然了Excel也能做，不必糾結(jié)于工具哈，首先將數(shù)據(jù)導(dǎo)入到data變量，代碼如下：

import pandas data=pandas.read_csv(‘./RFM分析.csv’,engine=’python’)

可以大致看一眼data數(shù)據(jù)的樣式，如下圖所示。

可以看到，這里記錄的是客戶的每一個訂單的信息，第一列為訂單ID，第二列為客戶ID，第三列為交易日期，第四列為交易金額。

對數(shù)據(jù)進行一下加工，根據(jù)交易日期，計算出每次交易距今的間隔天數(shù)，代碼如下：

#將交易日期處理為日期數(shù)據(jù)類型

data[‘DealDateTime’]=pandas.to_datetime(data.DealDateTime,format=’%Y/%m/%d’)

#假設(shè)2015-10-1是計算當(dāng)天，求交易日期至計算當(dāng)天的距離天數(shù)

data[‘Days’]=pandas.to_datetime(‘2015-10-1’)-data[‘DealDateTime’]

#從時間距離中獲取天數(shù) data[‘Days’]=data[‘Days’].dt.days

執(zhí)行以上代碼，即可得到用戶每一次交易日期距離指定日期的天數(shù)，如下圖所示。

用戶的明細(xì)數(shù)據(jù)準(zhǔn)備好后，接下來就可以計算每個客戶的最近交易間隔R、交易頻率F以及交易總額M，計算方法如下：

最近交易間隔R：使用CustomerID作為分組列，距離指定日期間隔天數(shù)Days作為聚合列，統(tǒng)計函數(shù)使用最小值函數(shù)min，即可得到每個客戶的最近交易間隔R。

交易頻率F：使用CustomerID作為分組列，OrderID作為聚合列，統(tǒng)計函數(shù)使用計數(shù)函數(shù)count。

交易總額M：使用CustomerID作為分組列，訂單金額Sales作為聚合列，統(tǒng)計函數(shù)使用求和函數(shù)sum。

對應(yīng)的代碼如下：

#統(tǒng)計每個客戶距離指定日期有多久沒有消費了，即找出最小的最近消費距離

R=data.groupby(by=[‘CustomerID’],as_index=False)[‘Days’].agg(‘min’)

#統(tǒng)計每個客戶交易的總次數(shù)，即對訂單ID計數(shù)

F=data.groupby(by=[‘CustomerID’],as_index=False)[‘OrderID’].agg(‘count’)

#統(tǒng)計每個客戶交易的總額，即對每次的交易金額求和

M=data.groupby(by=[‘CustomerID’],as_index=False)[‘Sales’].agg(‘sum’)

執(zhí)行以上代碼，得到的結(jié)果如下圖所示。

接下來使用merge方法，將R、F、M三個數(shù)據(jù)在客戶CustomerID維度上關(guān)聯(lián)起來，因為它們擁有共同的列名，在這種情況下，on參數(shù)可以省略不寫，代碼如下：

#將R、F、M三個數(shù)據(jù)框關(guān)聯(lián)，merge默認(rèn)內(nèi)連接，可省略，兩表on條件的關(guān)聯(lián)列名均為CustomerID

Data=R.merge(F).merge(M)

#修改列名 RFMData.columns=[‘CustomerID’,’R’,’F’,’M’]

執(zhí)行以上代碼，得到的結(jié)果如下圖所示。

每個客戶的R、F、M數(shù)據(jù)計算好后，接下來就可以對R、F、M這三個維度進行分組打分賦值，得到對應(yīng)的R分值、F分值、M分值。

打分標(biāo)準(zhǔn)可以按照業(yè)務(wù)經(jīng)驗、平均值等標(biāo)準(zhǔn)進行劃分。最好是按照業(yè)務(wù)經(jīng)驗劃分，因為這里分類的的用戶是要到后面進行精細(xì)化運營的，可以通過已有的運營策略反推這里的劃分閾值。

當(dāng)然，如果還沒有特別清晰的運營策略，也可以采用平均值進行劃分。本例將R、F、M三列分別按照各自的平均值劃分為高、低2個組，并分別賦值1分、2分。

R分值（R_S）：距離指定日期越近，R_S越大，R>=平均值，R_S為1，R<平均值，R_S為2。

F分值（F_S）：定義為交易頻率越高，F(xiàn)_S越大，F(xiàn)<=平均值，F(xiàn)_S為1，F(xiàn)>平均值，F(xiàn)_S為2。

M分值（M_S）：定義為交易金額越高，M_S越大，M<=平均值，M_S為1，M>平均值，M_S為2。對各個用戶的RFM的數(shù)據(jù)行進行打分賦值，代碼如下：

#判斷R列是否大于等于R列的平均值，使用loc將符合條件R_S列的值賦值為1

RFMData.loc[RFMData[‘R’]>=RFMData.R.mean,’R_S’]=1

#判斷R列是否小于R列的平均值，使用loc將符合條件R_S列的值賦值為2

RFMData.loc[RFMData[‘R’]<RFMData.R.mean,’R_S’]=2

#同R_S賦值方法，對F_S、M_S進行賦值，但與R相反，F(xiàn)、M均為越大越好

RFMData.loc[RFMData[‘F’]<=RFMData.F.mean,’F_S’]=1

RFMData.loc[RFMData[‘F’]>RFMData.F.mean,’F_S’]=2

RFMData.loc[RFMData[‘M’]<=RFMData.M.mean,’M_S’]=1RFMData.loc[RFMData[‘M’]>RFMData.M.mean,’M_S’]=2

執(zhí)行代碼，R_S、F_S、M_S的分組分值就計算出來了，如下圖所示。

基于以上得出用戶最終的RFM分層，如下圖所示。

#計算RFM綜合分值

RFMData[‘RFM’]=100*RFMData.R_S 10*RFMData.F_S 1*RFMData.M_S

執(zhí)行代碼，得到的RFM綜合分值如下圖所示。CustomerID:14568的分層為221，對應(yīng)的就是一般價值用戶。

接下來結(jié)合文章開頭提到的用戶分層定義，將用戶細(xì)分為8種不同的類型。本例采用與RFM綜合分值與用戶類型的對應(yīng)關(guān)系表映射的方式實現(xiàn)用戶分層。

首先將各個RFM綜合分值與用戶類型的對應(yīng)關(guān)系定義為一個映射匹配表。

然后再使用merge中的內(nèi)連接inner方法，將RFMData與剛定義的RFM綜合分值用戶類型的映射匹配表，根據(jù)關(guān)聯(lián)列名RFM匹配合并為一個dataframe，這樣就完成了用戶分層的操作，代碼如下：

#定義RFM綜合分值與客戶類型的對應(yīng)關(guān)系表

CustomerType=pandas.DataFrame(data={‘RFM’:[111,112,121,122,211,212,221,222]’Type’:[‘潛在客戶’,’重點挽留客戶’,’一般保持客戶’,’重點保持客戶’,’一般發(fā)展客戶’,’重點發(fā)展客戶’,’一般價值客戶’,’高價值客戶’]})

#將RFMData與RFM綜合分值客戶類型的對應(yīng)關(guān)系表合并為一個數(shù)據(jù)框#merge默認(rèn)內(nèi)連接，可省略，兩表on條件的關(guān)聯(lián)列名均為RFM，同樣可省略 RFMData=RFMData.merge(CustomerType)

執(zhí)行代碼，得到的數(shù)據(jù)如下圖所示。

可以看到，最后一列數(shù)據(jù)，就是對每個用戶細(xì)分的用戶分層。最后，我們來看看，每個類別的用戶數(shù)是多少，代碼如下：

#按RFM、Type進行分組統(tǒng)計客戶數(shù)

RFMData.groupby(by=[‘RFM’,’Type’])[‘CustomerID’].agg(‘count’)

執(zhí)行代碼，就可以得到各個客戶類型的客戶數(shù)了。

后續(xù)就可以對不同的客戶群體，有針對性地采取相應(yīng)運營策略進行推廣、管理，進而提升客戶價值和營收水平，限于篇幅，這里就不再展開，我們會在后續(xù)的用戶運營專題上和大家繼續(xù)討論。

本文由 @數(shù)據(jù)分析星球 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自 Unsplash，基于CC0協(xié)議