一、RFM模型的底层逻辑
漏斗模型中，大部分业务都是按流程推进，可以做漏斗分析。但是，大家有没有想过一个问题：
- 如果没有转化过程记录，该怎么办？
- 如果用户行为频率很高，有几十个漏斗，怎么办？
- 如何用户之间行为差异很大，有人几十个漏斗，有人只有1个，咋办？
此时，你本能地会想到：能不能不要每次都统计漏斗，而是直接看行为结果的发生频率、发生数量、发生时间，这样就能快速区分出高低用户之间的差异。是滴，这是个正确的思路，RFM模型的设计思路正是如此。
二、RFM模型计算方式
RFM一般用于统计用户消费行为
R（recency）：最后一次消费距今多久
F（frequency）：最近1段时间内消费频率
M（monetary）：最近1段时间内累计消费金额
以上就能统计出RFM指标，统计后形式如下表所示，每个用户有对应的RFM指标数值。
这里有5个要点注意：
- RFM以用户ID为单位进行统计，如果是传统零售，没记录用户ID，只有订单小票的流水号，则没法用这个模型，至少得有个手机号做ID。
- F值统计规则要看业务场景，如果一天内可能多笔、反复交易，可以直接统计有交易天数，如果一个天之内一般只交易一笔，或者好多天一笔，可以直接统计笔数。
- 最近1段时间，到底看多久？和业务特点有直接关系。原则上，越高频的业务，看得时间越短，比如都是零售，如果是生鲜可以以周为单位统计（人每天要吃饭），如果是日杂可以以月为单位统计。
- 新用户因为时间太短（比如注册不足1周/不足1个月）则单独统计，RFM适用于有一定时间的老用户。
- R的分段原理同上，越高频的业务，R分段越短。如果是生鲜可能以天来看。越低频的业务，比如理财、贷款，可能以月甚至季度为单位来看。
在计算完RFM数值以后，一般会让你把RFM三个值丢进kmean聚类，然后捏成4~5个分类。或者直接把RFM每个指标分成高中低，然后砍成3*3*3=27类。实际上这样做并不好使唤，现实中你真分27类，业务估计会气得跳起来：“你让我咋配27个完全不一样的策略”。
因为站在业务的角度，R值的意义就是唤醒，R越远，越需要唤醒越大且唤醒难度越大。所以业务一般更重视M+F的分类结果。
比如在零售/电商业务中，M值高的用户一般后续购买动力也高，因此要重点提升其F值，把他先留住。而F高、M低的用户则意味着机会，可以尝试做增量/交叉营销，以提升M。因此实操的时候，一般如下分类：
三、RFM模型的使用方式
注意：RFM只是简单把轻中重区分出来，并不能推导出很切实可行的业务行动。对业务而言，知道用户的轻中重是一回事，能影响用户是另一个回事。作为一个消费者，你关注的始终是：这个东西我需不需要？这个东西我喜不喜欢？这个东西要花多少钱？因此，需要在RFM做了分类的基础上，进一步考虑用户购买品类、折扣等因素。
比如，即使用户RFM值完全一样：
-
都是购买了3000元，买1台空调VS买1件衣服的不一样
-
都是购买了500元的酒，买1瓶价格500 VS买50瓶10元的不一样
-
都是购买了3000元衣服，一次买5件上衣和一次买整套穿搭的不一样
-
都是购买了3000元，原价购买3000与打8折下实际花3000不一样
因此，一般对M或F值较高的用户群体，会进一步分群。分群时，考虑自己公司的产品特点，区分价格敏感度高低，对新品、搭配的偏好。从而推导可落地的影响策略。
至于MF值较低的用户，一般与我司还没有建立啥感情，直接用当季新品、大折扣商品、爆款产品、引流产品轮番轰炸，试着提升M、F以后再做分群（如下图）。
四、RFM的扩展应用
当你理解了RFM的原理之后，你会发现它非常好用，试问，除了零售消费外，还有没有其他业务场景，也符合以下情况：
- 用户行为频率很高
- 用户之间行为差异很大
- 需要考察一段时间内累计行为
比如典型的互联网产品分析，特别是内容型产品（短视频、小说、社区论坛）、工具型产品（在线文档、OA等SAAS产品）和社交产品，都符合这个特点。
比如逛知乎，用户浏览行为非常多，且看一篇文章时间很短，转发点赞也都是一瞬间的事。此时可以仿效RFM模型，构造一个分析用户行为的模型。
比如统计：
R（recency）：最后一次登录距今多久
F（frequency）：最近1周内登录频率
Q（quantity）：最近1周内累计登录时长
此时，就可以区分出轻中重度用户，并且根据R值大小，制定召回计划。我们姑且管它叫RFQ模型好了（如下图）。
同RFM的弱点一样，RFQ并没有考虑用户的内容类型偏好，因此需要结合内容类型来看。特别是针对F、Q较高的用户，要关注其是否对某一个垂直内容/特殊功能特备有需求。对于FQ都很低的用户，处理原理同样是：用爆款内容去轰炸，先撩起兴趣再说。
参考资料：
1.wx公众号(接地气的陈老师)-《数据分析十大模型之二：RFM模型》
