编辑导语：本文通过RFM模型，解释如何用RFM来划分用户等级，同时制定精准的运营策略来提升不同用户分类的用户价值。适用于想要调整自身产品的用户分层，让有限资源投入到更有价值的人群中的商家。

一、用户价值的影响因素

做用户增长就是做2件事情，一是增加用户数量，二是提高用户质量。而提高用户质量的过程就是提升用户价值的过程。

提升用户价值也只是做2件事情，一是提高用户活跃度，二是提升用户付费金额。

1. 更高的活跃度意味着更高的留存，进而有利于提升用户的全生命周期价值（LTV），对于不直接向用户收费的产品而言，更高的活跃度意味着更高的广告价值，比如头条。
2. 用户付费金额 = 消费频次 X 单次消费金额。很显然，消费频次增强或者单次消费金额提高都能够提升用户付费金额。

所以，用户的活跃情况、消费频次和消费金额都和提升用户价值有关。

二、认识RFM模型

百度百科介绍：RFM模型是衡量客户价值和客户创造利益能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是很流行的。

• R：代表最近一次消费（Recency），可以定义为最近一次消费时间距指定时间的天数。
• F：消费频率（Frequency），可以定义为指定时间内消费的总次数。
• M：消费金额 (Monetary)，可以定义为指定时间内消费的总金额。

RFM广泛应用在电商行业。我们自己脑补下最近30天在淘宝或者京东的消费情况：

• 昨天刚下完单，那R就是1。一周前下了单，那R就是7，以此类推；
• 30天内一共下单了5次，F就是5；
• 30天内一共消费了500元，M就是500；

电商的小姐姐、小哥哥一看这个数据，哎呀，好喜欢：

• 昨天刚下完单表示很活跃，短期内不会流失，好放心；
• 30天下单了5次，表示这是个铁杆用户，好温暖；
• 30天一共消费500元，消费水平还不错，好踏实。

RFM模型按照最近一次消费时间、指定时间内的消费次数和指定时间内的消费金额将用户分为8类。

看右上角红圈部分，只要消费金额高的就是重要用户。相反，消费金额低的就是一般用户，商业就是如此的现实。你天天在淘宝看直播，如果不购物，也是属于“三低”的“一般挽留用户”。

那看直播的用户就没有价值了么，当然不是，换个平台就行，比如去抖音。

三、RFM在不同类型产品的应用

按照用户需求划分，我们可将互联网产品分为电商类、社交类、内容类、工具类、平台类和游戏类。

当然有不少产品都往电商上靠，导致分不清楚。

我们就把握2个原则，一是产品的主营业务，二是自己负责模块的主要业务。这和在《实战：解决增长黑客一看就懂，一用就懵的困惑》介绍的制定北极星指标的思路一致，产品有产品的指标，每个团队也可以有各自的指标，都是为了公司的商业模式服务的。

（1）电商类

我们熟知的淘宝、京东和拼多多，都属于电商。按照用户的购物金额来分层。

（2）社交类

微信和微博都属于社交类。按照互动数来分层。

（3）内容类

包括头条、知乎、抖音和快手等，都属于内容类。按照用户阅读/观看时长来分层。

（4）工具类

包括有道云笔记、证券类APP、墨迹天气等都属于工具类。

工具类比较特殊，每一个工具都有自身商业模式，关注的重点也会不同。

云笔记可能按照付费会员来划分，但会比较低频。可以考虑按照最近一次使用时间、指定时间内的使用次数和指定时间内的文件共享次数来分层。

（5）平台类

同时存在供给和消费2方的才称之为平台。

比如滴滴，滴滴的供给者是滴滴司机，消费者是普通打车用户。

从这个角度划分，淘宝是电商也是平台，有商家和普通消费者。

平台需要同时关注供给方和消费方。而RFM模型更多的应用于消费方，滴滴和淘宝都是按照消费金额来分层。

（6）游戏类

游戏类的盈利模式主要有内消费和广告。

大点的游戏主要靠用户内部购买道具、点卡消费，这时就按照用户的消费金额来分层。

小点的单机版游戏主要靠广告，这时就按照用户的广告观看/点击来分层。

通过前面描述我们知道，可以通过不同的行为来描述RFM，主要是找到产品中衡量用户价值的关键行为，并进行交叉分析和评估。

四、RFM模型的评估

第二节中通过RFM的“高低”来对用户进行归类，那怎么定义“高低”呢？

1. 通过平均数评估

最直接的打分方法就是和平均数作比较，分别求出目标数据的R、F和M的平均值，然后用每个用户的数据和平均值来比较，然后确定高低。

我们仍以自己30天内在淘宝购物的记录为例，R=7，F=5，M=500。假设30天内淘宝用户的平均R=10，F=8，M=800。那你的打分结果为：

• R值：高。低于平均R值的记录打分为高，因为记录的R值越低说明最近一次的消费时间越短，用户的回购周期越短。
• F值：低。低于平均F值的记录打分为低，高于平均F值的记录打分为高。
• M值：低。低于平均M值的记录打分为低，高于平均M值的记录打分为高。

我们自己消费的最终打分结果为“高低低”，对照第二节中的8类用户属于“一般发展用户”，电商就可以使用针对这类用户的运营策略来提升价值。

2. 通过中位数评估

按照平均数评估有一个明显缺陷就是不能排除异常数据，如果有个大户30天的消费金额特别高，就会拉高整体的消费金额水平，导致很多用户被平均拉高。

我们可以考虑使用中位数来评估。作为崇尚数据驱动的我们，对数据要保持严谨性。

推荐使用箱线图来获得中位数，并能将异常数据特殊处理。

我们以大家熟悉的成绩来做说明。

右侧英语成绩（绿点）都落在2条橙色的横线之间（2条橙色横线分别表示最大值和最小值），学生的成绩都很正常。

左侧数学成绩上下各有2个绿点落在了橙色的横线之外，说明这4个点是异常点，可以进行特殊处理。

采用类似的方法对30天内用户的消费记录进行处理后，使用中位数替代上例中的平均数即可。

3. 通过划分等级评估

按照平均数打分对用户的划分力度可能过于粗颗粒。广为人知的二八法则证明，20%的用户可能贡献了80%的收益。如果只是按照平均数或许在针对用户的运营策略上不够精准。

所以对于产品较为成熟、用户规模较大的情况可以采用等级评估。简单的做法就是使用透视表查看目标记录R、F和M各自的分布，然后指定等级。

一般分为5个等级，对应的分值为1~5分。

还是以30天内的淘宝购物为例，对RFM的等级划分如下：

对照自己30天内购物的记录（R=7，F=5，M=500），可以确定按照等级划分后的R’=4，F’=3，M’=3。

将所有用户的记录按照等级打分后再计算所有用户的平均（Average）R值、F值和M值，假设AR=3.8，AF=2.9，AM=4.1。

用自己按照等级划分后的值与平均值进行比较，确定最后的RFM值：

• R值：高（R’ > AR）
• F值：高（F’ > AF）
• M值：低（M’ < AM）

我们自己消费的最终打分结果为“高高低”，对照第二节中的8类用户，用户价值变更为“一般价值用户”。

从主观上看一个用户30天内消费500元还不错，但通过模型划分可以很明显地知道该用户还有提升的空间。

比如，30天累计消费500元的用户买的都是衣服，客单价不高，有没有可能引导用户消费电子产品呢？

五、精细化运营策略

对用户价值进行评定的目的是为了进一步提高用户价值，对不同分类的用户提升用户价值的策略手段也略有不同。

“三高”的重要价值用户：大方向上就是让用户安静地待着，不要过多的打扰。在重要的时间点上增加人文关怀、节日关怀等，能够发展为KOC(“Key Opinion Consumer”，即关键意见消费者)最佳。

• 重要发展用户：消费频率低，整体策略就是提升消费频次。所有能够提升消费频次的手段都可以尝试。手段包括发券、新品推荐等，触达方式包括短信、Push、邮件等。
• 重要保持用户：有段时间没有使用产品了，但是之前的消费频次和消费金额都是高的，用户存在流失可能。整体策略是用户回流，让用户再来光顾。手段包括热门推荐、爆品推荐、运营活动等。还需重点关注竞品动态，是不是最近用户到竞品消费去了。
• 重要挽留用户：最近没有使用产品了，而且累计的消费频次也低。这类用户存在很大的流失可能，需要重点召回。可以给用户提供最优价格（惊喜优惠）、邀请用户填写反馈信息并采取措施（我们一定会做的更好）或者提供个性化服务（让用户觉得他非常重要）。

一般价值用户：策略就是刺激消费，提高客单价。文中案例就是将衣服消费人群想办法引导到电子消费上。

一般发展用户：偶尔消费一次，要针对最近消费的产品进行联想和挖掘，期望能够提高用户的消费频次和金额。

一般保持用户：曾经消费的频次挺高，最近也不消费了而且总的消费金额也低，基本上处于流失状态。

1. 使用趣味性或者暗示性较强的语言快速吸引用户注意力。比如：【拉勾招聘】有30 大厂HR，急招运营总监人才，薪资60K，点击参与热招季活动。
2. 创建好奇心。比如：【今日头条】曝英伟达7万多条员工信息遭泄露。
3. 通过模拟真实的好友动态，激发用户的响应动机。比如：【脉脉】<真实姓名>，你们班的同学邀请大家加入班级通讯录哦……
4. 给与用户马上可享用的利益点进行诱导，要强调专属、限时，增加归属感、紧迫感。比如：【抖音】您的奖励即将过期，尽快登陆抖音极速版APP查看吧！
5. 围绕用户来平台的核心动机，从各角度进行召回。如应聘、折扣、交友等。比如：【探探应用】有一位空姐查看了4次你的个人主页，点击查看是谁吧……

一般挽留用户：通过以上手段，用户还是处于“三低”状态，可暂时搁置，把有限的资源投入到更有价值的人群上。

六、灵活运用RFM

RFM模型更常用于电商领域，但是能体现用户价值的关键行为都可以使用RFM来度量。

比如评论行为，就可以使用最近一次评论的时间、指定时间内的评论次数和指定时间段内的评论字数来度量。

笔者曾运用RFM模型来调整新用户奖励，直接吸引高价值用户。

通过RFM对某证券APP的用户进行分层后，再对比“三高”的重要价值用户的入金金额，我们发现入金金额高的有很大比例都属于“三高”人群。

所以在具体手段上通过设定入金金额阶梯，给与不同的奖励，达到了很不错的效果。

当然，在实际运用中不一定将RFM三个维度都考虑到，也可以选取2个维度两两组合，或许有意外收获。

本文由 @巨蟹小鸥 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