作为当代优秀的运营人，不仅要会写文排版、会做图、会用数据说话，面对千人千面的用户老爷们，更要了解用户细分的重要性。

这就不得不提到「RFM 模型」，RFM 模型在用户细分研究中占据非常重要的位置。

今天我们就一起来学习下如何创建RFM模型，小编给大家整理了足够干货，一起来看看吧。

什么是RFM模型

RFM是分析三个可量化指标对其客户价值进行分类，根据得分高低组合成8类价值人群，最终结合此8类价值人群提供有针对性的营销策略。

3个特征指标分别是最近一次消费（R）、消费频率（F）和消费金额（M）。

• 最近一次消费时间（R）：指用户最近一次的交易时间距离现在的时间。

• 消费频率（F）：指（在定义的期间内）用户的购买次数。

• 消费金额（M）：指（在定义的期间内）用户消费的总金额。

如何创建RFM模型

 

Step1：整理数据

当前某企业从数据库中提取出100个用户购买信息，并且对数据进行汇总整理成RFM的数据格式，即一行代表一个用户，一共3列指标数据，分别是：最近一次消费时间gap值 (Recency)，消费频率 (Frequency)，和消费金额 (Monetary)。数据格式类似如下表：

Step2：细分组别

RFM模型研究客户价值情况，最终将客户分成8个不同的类别（8种用户类型）。具体RFM模型如何将数据划分为8种类别用户上，其内部计算上分为两步:

• 第1步是将数据转换成1~5分计分方式（转化后分值越高代表价值越高），SPSSAU默是按20%/40%/60%/80%分位数将数据计为1~5分。SPSSAU具体计分方式如下表所示：

• 第2步是将1~5分值，按分别对应的平均值进行划分，划分为0和1，数字0代表低价值群体，数字1代表高价值群体。如下表所示：

最后将RFM的组别建立组合，共计2*2*2=8种组合，即8种用户类型，如下表：

Step3：进行分析

选择SPSSAU【进阶方法—RFM模型】。

分析时要按照R（最近一次消费时间），F（消费频率），M（消费金额）的顺序放置：

如果需要将‘用户类型’保存起来用于后续的分析使用（比如进一步深入分析性别与用户类别的关联关系），那么需要选中‘用户类型’；类似地，如果需要保存1~5分计分数据或0和1两类别数据，那么需要分别选中‘保存分值’和‘保存类别’；

本次数据并非1~5分计分形式，也不是01两类别数据，因为默认让SPSSAU全自动处理即可。

Step4：结果分析

SPSSAU输出四个表格，分别如下说明。

上表格展示RFM1~5分计分数据的分布情况，数字越大代表价值越高。由于SPSSAU默认使用20%/40%/60%/80%分位数划分为五个分值，因此每个分值的占比基本均在20%左右，并没有出现个别分值时明显的样本偏多或者偏少。

上表格展示出20%/40%/60%/80%分位数具体数据，1~5分值数据的划分，就是由上表格的数字进行切割得到的。比如R时小于20%分位数数字20，那么计为5分，R时大于80%分位数即80时，计为1分。而F和M时，小于20%分位数均计为1分，大于80%分位数均计为5分。

上表格展示出划分为两组别（即高低价值）群体时的数据分布，具体如何划分是结合‘RFM分值分布’里面的平均值进行切割，比如R小于平均值2.94时计为0分，大于平均值2.94时计为1分。类似F和M也是，小于对应自己的平均值时计为0分，大于平均值时计为1分。0分代表低价值群体，1分代表高价值群体。图形展示如下：

上表格展示最终2*2*2=8种用户类别，总体上分为重要用户和一般用户，重要用户再继续细分为重要价值用户，重要保持用户，重要发展用户和重要挽留用户。与此同时，上表格展示出8种类别用户的占比情况，并且使用图示如下：