用户精细化运营和分层「用户分层体系」

今天给大家普及一下用户精细化运营和分层「用户分层体系」相关知识，最近很多在问用户精细化运营和分层「用户分层体系」，希望能帮助到您。

编辑导语：在互联网红利逐渐消失的当下，粗狂式的运营已经难以为继，如何把有限的费用投入到我们最精准的用户上，也就是所谓的精细化运营，是每个公司应该关注的问题。这其中最重要的是用户分层，本文介绍了用户分层的一种最常见、也最常见的方法：RFM用户分层。

一、写在前面

随着互联网流量红利的逐渐消失，之前粗狂式的拓客和一刀切的用户运营已经难以为继，越来越多的公司开始意识到，只靠烧钱圈用户、养用户成本太高，因为不是所有的用户都需要你重点投入，金主爸爸一定要好好维护，潜力股一定要加大投入挖掘价值，而羊毛党永远都是你应该严防的对象，这就是所谓的精细化运营，钱要花在刀刃上，要花在业务和核心用户上。

精细化运营讲究的是千人千面，一千类用户一千种运营策略，所以第一步就是要把用户进行分类，然后才有针对性的运营策略，而用户分类中一种尤为重要和常用的方法就是RFM。

二、什么是RFM？

什么是RFM？RFM最早产生于电商领域，根据客户的交易频次和交易额衡量客户的价值，对客户进行细分。

RFM是衡量客户价值的三个维度，分别为R（Recency）交易间隔、F（Frequency）交易频度、M（Monetary）交易金额组成。

R表示间隔（Recency）：也就是客户最近一次交易距今的间隔，需要注意的是，R是最近一次交易时间到现在的间隔，而不是最近一次的交易时间，R越大，表示客户越久未发生交易，反之R越小，表示客户越近有交易发生。

F表示频次（Frequency）：也就是客户在最近一段时间内交易的次数，一般来说选取一个特定的时间段，F越大，表示客户交易越频繁，反之F越小，表示客户不够活跃。

M表示额度（Monetary）：也在同样的时间段内，客户交易的金额，M越大，表示客户价值越高，M越小，表示客户价值越低。

有了以上3个维度的数据，就可以对每个用户按照每个维度进行衡量，一般来说我们会选取一个合理的分值对R、F、M进行划分，将3个维度分别分为高、低两类，组合下来就是8类，也就形成了8个用户群体。

当然你说我每个维度分成3类行不行，最终分成27个用户群体不是更精细，当然没问题，但是我们能不能给出27种不同的运营方案，如果给不出，如此细分不就是自嗨么？

毕竟，分为多少个群体不重要，每个群体都要有个性化的运营策略才重要。

下面是一张经典RFM客户细分模型图，R分值、F分值和M分值三个指标构成了一个三维立方图，在各自维度上，根据得分值又可以分为高、低两个分类，分别用2、1表示，最终3个指标两两组合，就构成了8大客户群体。

对每个用户群体进行定性，例如R、F、M分值高的客户为重要价值客户，R、F、M三个分值都低的客户为潜在客户，其他类型客户可以此类推解读。

三、RFM实际案例

RFM的原理到这里就讲完了，是不是很简单？确实很简单，但是也确实很实用，在实际的工作中是如何实施这个用户分层模型的呢？下面我们就用一个实际的案例手把手教你如何进行RFM用户分层。

整体来说，RFM模型实施需要以下几个关键的步骤。

1. 数据准备

下面通过一个实际的案例学习RFM分析的使用，案例是用python做的，当然了Excel也能做，不必纠结于工具哈，首先将数据导入到data变量，代码如下：

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

可以大致看一眼data数据的样式，如下图所示。

可以看到，这里记录的是客户的每一个订单的信息，第一列为订单ID，第二列为客户ID，第三列为交易日期，第四列为交易金额。

对数据进行一下加工，根据交易日期，计算出每次交易距今的间隔天数，代码如下：

#将交易日期处理为日期数据类型

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

#假设2015-10-1是计算当天，求交易日期至计算当天的距离天数

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

#从时间距离中获取天数 data[‘Days’]=data[‘Days’].dt.days

执行以上代码，即可得到用户每一次交易日期距离指定日期的天数，如下图所示。

2. 计算R、F、M

用户的明细数据准备好后，接下来就可以计算每个客户的最近交易间隔R、交易频率F以及交易总额M，计算方法如下：

最近交易间隔R：使用CustomerID作为分组列，距离指定日期间隔天数Days作为聚合列，统计函数使用最小值函数min，即可得到每个客户的最近交易间隔R。

交易频率F：使用CustomerID作为分组列，OrderID作为聚合列，统计函数使用计数函数count。

交易总额M：使用CustomerID作为分组列，订单金额Sales作为聚合列，统计函数使用求和函数sum。

对应的代码如下：

#统计每个客户距离指定日期有多久没有消费了，即找出最小的最近消费距离

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

#统计每个客户交易的总次数，即对订单ID计数

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

#统计每个客户交易的总额，即对每次的交易金额求和

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

执行以上代码，得到的结果如下图所示。

接下来使用merge方法，将R、F、M三个数据在客户CustomerID维度上关联起来，因为它们拥有共同的列名，在这种情况下，on参数可以省略不写，代码如下：

#将R、F、M三个数据框关联，merge默认内连接，可省略，两表on条件的关联列名均为CustomerID

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

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

执行以上代码，得到的结果如下图所示。

3. 计算R、F、M综合分值

每个客户的R、F、M数据计算好后，接下来就可以对R、F、M这三个维度进行分组打分赋值，得到对应的R分值、F分值、M分值。

打分标准可以按照业务经验、平均值等标准进行划分。最好是按照业务经验划分，因为这里分类的的用户是要到后面进行精细化运营的，可以通过已有的运营策略反推这里的划分阈值。

当然，如果还没有特别清晰的运营策略，也可以采用平均值进行划分。本例将R、F、M三列分别按照各自的平均值划分为高、低2个组，并分别赋值1分、2分。

R分值（R_S）：距离指定日期越近，R_S越大，R>=平均值，R_S为1，R<平均值，R_S为2。

F分值（F_S）：定义为交易频率越高，F_S越大，F<=平均值，F_S为1，F>平均值，F_S为2。

M分值（M_S）：定义为交易金额越高，M_S越大，M<=平均值，M_S为1，M>平均值，M_S为2。对各个用户的RFM的数据行进行打分赋值，代码如下：

#判断R列是否大于等于R列的平均值，使用loc将符合条件R_S列的值赋值为1

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

#判断R列是否小于R列的平均值，使用loc将符合条件R_S列的值赋值为2

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

#同R_S赋值方法，对F_S、M_S进行赋值，但与R相反，F、M均为越大越好

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

执行代码，R_S、F_S、M_S的分组分值就计算出来了，如下图所示。

基于以上得出用户最终的RFM分层，如下图所示。

#计算RFM综合分值

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

执行代码，得到的RFM综合分值如下图所示。CustomerID:14568的分层为221，对应的就是一般价值用户。

4. 用户分层

接下来结合文章开头提到的用户分层定义，将用户细分为8种不同的类型。本例采用与RFM综合分值与用户类型的对应关系表映射的方式实现用户分层。

首先将各个RFM综合分值与用户类型的对应关系定义为一个映射匹配表。

然后再使用merge中的内连接inner方法，将RFMData与刚定义的RFM综合分值用户类型的映射匹配表，根据关联列名RFM匹配合并为一个dataframe，这样就完成了用户分层的操作，代码如下：

#定义RFM综合分值与客户类型的对应关系表

CustomerType=pandas.DataFrame(data={‘RFM’:[111,112,121,122,211,212,221,222]’Type’:[‘潜在客户’,’重点挽留客户’,’一般保持客户’,’重点保持客户’,’一般发展客户’,’重点发展客户’,’一般价值客户’,’高价值客户’]})

#将RFMData与RFM综合分值客户类型的对应关系表合并为一个数据框#merge默认内连接，可省略，两表on条件的关联列名均为RFM，同样可省略 RFMData=RFMData.merge(CustomerType)

执行代码，得到的数据如下图所示。

可以看到，最后一列数据，就是对每个用户细分的用户分层。最后，我们来看看，每个类别的用户数是多少，代码如下：

#按RFM、Type进行分组统计客户数

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

执行代码，就可以得到各个客户类型的客户数了。

后续就可以对不同的客户群体，有针对性地采取相应运营策略进行推广、管理，进而提升客户价值和营收水平，限于篇幅，这里就不再展开，我们会在后续的用户运营专题上和大家继续讨论。

本文由 @数据分析星球 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于CC0协议