实现用户分层的手段——RFM模型

RFM模型 是用于评估客户已有价值和用户潜在价值的一套重要方法，早期的 RFM模型 出现在 营销 事件中。

R（Recency）

最近一次消费与上一次消费的时间差，R值越大，说明用户上一次交易的时间越久远，也证实了用户与产品亲密度的下降。

F（Frequency）

消费频率，可以理解为某一时间段内的消费次数，具体的时间段需要依据产品特性而定，F值越大，说明用户活跃度越高，是个正向反馈。

M（Monetary）

消费金额，用户在某一时间段内的消费总金额，M值越大，说明用户带来的价值越大。

R、F、M三个值，R与效果成反比，其他两个均成正比。

根据R、F、M三个值我们可以将用户分成8组

其中，“小”代表具体的值小于组内的平均数，“大”代表具体的值大于组内的平均数。

这样我们就可以针对不同类型下的用户采用不同的 运营 策略，从而降低成本，提高转化效率。

现在，应用在传统营销行业的经典rfm模型转移到了互联网行业中，同样适用。通过RFM方法，我们根据用户的属性 数据分析 ，对用户进行了归类。在推送、转化等很多过程中，可以更加精准化，不至于出现用户反感的情景，更重要的是，对产品转化等商业价值也有很大的帮助

我们拿现在很火的内容类产品举例，这时的R、F、M有了新的对应关系

对于浏览用户：

对于贡献用户：

套用上面的分层规则，我们可以把庞大的用户群体进行归类细分，从而实施不同的手段运营。

总结一下，我们在使用这套模型的基本流程：

平台定位： 首先你要明确你的产品属于哪一类型，是内容类产品、电商类产品、还是游戏类等等。根据不同的产品类型，圈定R、F、M的代表领域的范围。

用户定位： 每个平台也对应着不同的用户群体，是消费者还是生产者，对应的R、F、M的具体意义也是不一样的。

数据获取： 这个环节需要结合产品确定时间长度，每个产品的性质对应着不同的时间长度，可以是一年、一个月、也可以是一周。获取数据时一定要足够随机，量也要足够多。

数据分析： 由于数据庞大，需要对R、F、M的纵坐标进行分段，根据已经分段的数值进行定位，哪些是初级，哪些是中级，哪些是高级，关于分段和定位级别，不同的产品也需要有一些不同的技巧，可以按照等差数列划分，也可以按照等比数列划分，提供一个“二八原则”，80%的收益大多数来自于20%的用户，所以可以用这个当临界点作为分层，之后结合自己擅长的图解方法进行分解，散点图、折线图、透视图等。

方案制定：