点击上方
“中国统计网”
设置星标哦！
iDATA数据分析学习社区是一个，专注于数据分析职场的内容社群，里面聚集了数据分析爱好者，每日都会有数据分析相关互动话题、问答环节以及每日热点资讯分享，职场老师在线分享，本篇文章的全部内容均来自iDATA数据分析学习社区的小伙伴们的分享，同样也期待你的加入，和我们共同学习成长吧！
文末有入群方式哦！
首先大家要了解什么是RFM模型，RFM模型是一个经典的分类模型，用来衡量当前用户价值和客户潜在价值。
RFM是Rencency（最近一次消费），Frequency（消费频率）、Monetary（消费金额），三个指标首字母组合。
在某些商业形态中，客户与企业产生连接的核心指标会因产品特性而改变。
如互联网产品中，以上三项指标可以相应地变为下图中的三项：
最近一次登录、登录频率、在线时长。
R值：
最近一次消费（Recency）
消费指的是客户在店铺消费最近一次和上一次的时间间隔，理论上R值越小的客户是价值越高的客户，即对店铺的回购几次最有可能产生回应。目前网购便利，顾客已经有了更多的购买选择和更低的购买成本，去除地域的限制因素，客户非常容易流失，因此想要提高回购率和留存率，需要时刻警惕R值。
F值：
消费频率（Frequency）
消费频率是客户在固定时间内的购买次数（一般是1年）。但是如果实操中实际店铺由于受品类宽度的原因，比如卖3C产品，耐用品等即使是忠实粉丝用户也很难在1年内购买多次。所以，一般店铺在运营RFM模型时，会把F值的时间范围去掉，替换成累计购买次数。
M值：
消费金额（Monetary）
M值是RFM模型中相对于R值和F值最难使用，但最具有价值的指标。大家熟知的“二八定律”（又名“帕雷托法则”）曾作出过这样的解释：公司80%的收入来自于20%的用户。
这个数据我在自己所从事的公司中都得到过验证！可能有些店铺不会那么精确，一般也很会控制在30%客户贡献70%收入，或者40%贡献60%收入。
今天给大家分享一个案例，是基于RFM模型进行客户细分
可以选择RFM模型中的1-3个指标进行客户细分，如下表所示。
细分指标需要在自己可操控的合理范围内，并非越多越好，一旦用户细分群组过多，一来会给自己的营销方案执行带来较大的难度，从而可能会遗漏用户群或者对同个用户造成多次打扰。
最终选择多少个指标有两个参考标准：
店铺的客户基数，店铺的商品和客户结构。
店铺的客户基数：
在店铺客户一定的情况下选择的维度越多，细分出来每一组的用户越少。对于店铺基数不大（5万以下客户数）的店铺而言，选择1-2个维度进行细分即可。
对于客户超过50万的大卖家而言可以选择2-3个指标。
店铺的商品和客户结构：
如果在店铺的商品层次比较单一，客单价差异幅度不大的情况下，购买频次（F值）和消费金额（M值）高度相关的情况下，可以只选择比较容易操作的购买频次（F值）代替消费金额（M值）。
对于刚刚开店还没形成客户粘性的店铺，则可以放弃购买频次（F值），直接用最后一次消费（R值）或者消费金额（M值）。
如何通过RFM模型评分后输出目标用户
？
常见的方法就是利用RFM模型的三个属性对客户进行打分，通过打分确定每个用户的质量，最终筛选出自己的目标用户。
RFM模型评分主要有三个部分：
3.计算每个客户的总得分，并且根据总得分筛选出优质的客户
比如，实操的过程中一般每个指标分为3-5段，其中R值可以根据开店以来的时间和产品的回购周期来判定，F值根据现有店铺的平均购买频次，M值可参考上面客单价的分段指标。
举个例子：
确认RFM的分段和对应分段的分值之后，就可以按照用户情况对应进行打分。
