专业的短链接生成工具
链接域名
短网址有效期
数据分析方法：RFM模型
更新时间：2025-6-1 11:16:17 作者：爱短链
编辑导语：RFM这是一个非常传统的数据分析模型，几乎所有的文章都会提到它，但市场上有很多无序和错误的使用；本文的作者RMF做了详细的分析，我们一起来了解一下。
上一篇文章讲了【用户画像高大，但90%的人都失败了】之后，很多同学说想看RFM，它今天来了。
一、RFM基本原理 RFM缩写三个单词： 最后一次消费时间（Recency），在计数时，最后一次消费通常记录到当前时间间隔，如7天、30天、90天；直观地说，用户在商店消费时间太长，一定有问题，必须做一些事情，许多公司的用户觉醒机制是基于此。
消费频率在一定时间内（Frequency），在计数时，用户通常会在一段时间内获得消费频率。
例如，一年内消费多少个月，一个月内到达商店多少天，等等；直观地说，用户消费频率越高，忠诚度越高；许多公司的用户激励机制都是基于这一点，他们想让买一次，第二次。
在一定时间内累计消费金额（Monetary），取数时，一般取一段时间内用户消费金额，如一年内消费金额；直观地说，用户购买的越多，价值就越大；许多公司VIP该机制以此为基础，满1万银卡，满2万金卡。
因此，单独看这三个维度是有意义的。
当然也有三个维度交叉看(如下图): 因为RFM与时间有关，所以很多学生会纠结于如何划分时间；严格来说，生活必需品越多，业务消费频率越高，时间越短。
最典型的是新鲜的，人们每天吃，7天不吃可能有问题；普通的快速消费品零售可能需要30天，类似的服装百货公司零售可能需要90天；当然，更多的做法是按月，如R，F、M计算过去一年的值——这只是因为它更容易理解。
RFM本质上是一种用三个分类维度来判断标准的方法；用户的质量可以通过三个维度的组合来判断，然后采取相应的措施。
RFM真正的意义在于，这是一种从交易数据中反推用户价值的方法，所以可行性很高！ 要知道，数据分析的最大瓶颈是数据采集，只要是正常企业，就必须有交易数据；因此，只要企业建立用户ID统一认证机制可以使用户ID与交易数据相关，可以使用RFM对用户进行分析；即使没有埋点，没有网站，没有基本信息也能做到，简直就是方便好用的神器。
当然，所有方便易用的工具都有自己的缺点，RFM模型也是如此。
二、RFM的最大短板 RFM最大的缺点是用户ID统一认证；不要低估这些词，在相当多的企业中很难实现。
例如，当你去超市、连锁店和商店购物时，收银员经常机械地问：你有会员卡吗？如果答案没有，她会让你去的；结果是线下商店的订单。
一般来说，70%-90%与用户无关ID；然后整个用户数据严重缺失，直接设置RFM很容易误判用户的行为。
至于用户一人多张会员卡轮流拉羊毛，多个用户一起拉羊毛VIP卡拿最大折扣，店员用亲戚的卡没有ID羊毛的订单等等，更是层出不穷；而且在实体企业、互联网企业中很常见。
所以做RFM当模型时，如果你真的看到111类用户，不要太。
十有八九有问题；如今，企业经常同时在天猫、JD.COM、自己的微商城、有赞等平台运营，这使得统一认证更加困难；没有好的规划，很容易陷入无尽的补贴坑。
三、RFM的深层问题 即使用户做得很好ID统一认证，RFM还有一个更深层次的问题。
让我们回顾一下，RFM模型的三个基本假设： R：用户离开的时间越长，损失的风险就越大 F：用户频率越高，越忠诚 M：用户买的越多越有价值 问一句:这三个假设成立了吗？ 如果不结合特定的行业、特定的产品、特定的活动，它似乎是建立起来的；但一旦具体讨论发现许多场景不满足这三个假设；所以：简单地说RFM，不结合产品和活动，很容易生产BUG的。
R：用户离开的时间越长，损失的风险就越大 如果是季节性服装消费，用户间隔2-3个月是正常的； 假如是手机、平板等新产品驱动产品，间隔时间基本跟随产品更新周期； 假如是家居、住房、汽车等大型耐用品，R没有意义，用户一生买两次； 假如是预付费，后刷卡模式，R不存在，需要用验证数据代替。
因此，R并不一定意味着用户有损失的风险，特别是在埋藏数据后，用户的互动行为可以更好地解释问题。
F：用户频率越高，越忠诚 如果用户消费是由活动、节假日、生日、周末等事件驱动的； 假如用户消费是由活动驱动的，比如什么时候有折扣，什么时候买； 假如用户消费是固定模式，比如买药的量是30天。
上述情况会导致F值不固定，可能是随机或人为操作。
许多企业执行僵硬RFM模型，通常设置一个固定的F值，比如鼓励用户购买4次，因为数据购买4次以上的用户非常忠诚；结果导致用户人工拆除订单，最终F值上升，利润下降。
M: 用户买的越多越有价值 如果用户想便宜，有折扣的时候囤货呢？ 假如用户买了一堆，吃腻了，用够了？ 假如用户买了耐用品，买了这个单子就等十几二十年了？ 假如用户消费本身就有生命周期，比如母婴，游戏，已经到了生命周期的尽头？ 在很多情况下，用户过去买的更多并不意味着他们将来买的更多。
这两者并不等同；因此，如果你真的看到011、001和101的客人，不要急于发送优惠券。
关键是要了解出了什么问题。
除了单独维度的问题外，三个维度也容易出现问题；因为许多公司的用户结构不是金字塔形的，而是埃菲尔铁塔底部聚集了太多的非活跃用户，大多数非活跃用户只有一个订单，或者只有几次登录；因此RFM如果真的按八类分类，000用户的比例可能会特别大。
这意味着现有的生存用户可能是幸存者偏差的结果，现有的111不是000的未来；为了解决问题，我们应该更深入地分析为什么会沉淀大量不活跃的用户，甚至从根本上改变过程；RFM生搬硬套。
可能会把生意带到死胡同。
四、RFM的典型乱用 RFM在缺乏数据(尤其是缺乏埋点数据)的情况下使用并没有错。
RFM比不用RFM好太多了。
RFM三个维度，每一个都很好用；RFM整体架构也适用于评价用户运营的整体质量。
生搬硬套错了RFM，不做深入分析；错的是看到买大订单叫爸爸，看到用户不买急于发行优惠券；盲目发行优惠券不仅严重透支营销成本，而且培养更多的羊毛用户，破坏正常运营，只是为了RFM数值好看。
尤其是网上文章和网课最喜欢教的:按RFM，每个分为5段，分为5段*5*5=125类，然后用K值聚类聚成5-8类，更是大错特错。
K均值聚类后RFM原意清晰的优点都没有了，到底这八类怎么解读，很混乱。
不考虑数据滚动更新，一周或一个月后，RFM指标都变了！你还每天把所有的用户都拿出来聚类吗？ k均值聚类不是一种稳定的分类方法，无监督分类更适合探索性分析；一周后，用户被分为两类，这将使营销、运营规划和执行政策非常疯狂：一天，推什么！ 本质上，因为在线课程和在线文本给出了一个完美的静态数据表：一个不需要与其他部门合作，另一个不需要考虑连续场景，所以选择了一个模型 算法的做法。
嗯，能不能用并不重要，看起来你是最关键的！ 五、如何让RFM更有用 综合RFM失败的场景可以看出，季节性、商品特征、促销活动、节假日事件和用户生命周期都会影响用户的行为；因此，它不局限于RFM，对用户场景的深入研究至关重要。
请注意，研究这五个要素并不像预期的那么困难。
例如，许多商品都有内在的相关性，只要熟悉业务就能理解；例如，季节性和假日事件本质上与时间有关；因此，可以分析用户登录和消费时间（如下图所示）。
促销活动也是如此。
促销活动可以直接从订单中识别出来，很容易给用户贴上敏感的促销标签。
用户生命周期需要数据采集，最关键的数据可以采集。
最典型的用户生命周期是母婴行业的做法。
企业将收集最关键的数据：怀孕多少周；父母不一定知道这个数据，母亲一定知道；如果你知道起点，你可以在后续计算。
类似地，药店连锁做慢性病管理，K12教育等等。
六、小结 任何模型都有其历史背景、数据基础和应用范围；并非所有模型的目的都是准确的；简单、易于使用、省事是更常见的考虑因素。
因此，再次强烈建议学生不要沉迷于成为知识收集者，试图找到宇宙中唯一的真理模型，然后死记硬背，崇拜。
研究自己工作的行业特点，改造方法为我所用，是让数据发挥更大作用的方法。
说到死记硬背，然后乱用的模型，除了RFM还有很多；比如关联分析，快2021年了，其实还有人相信啤酒和尿布，乱用也是一塌糊涂。
如果您感兴趣，请关注脚踏实地的陈先生。
请期待下一篇文章的分享。
特别说明：本网站的主要目的是收集与互联网运营相关的干货知识，为运营伙伴提供便利。
本网站收集的公共内容来自互联网或用户的贡献，这并不意味着本网站同意其观点，也不对网站内容的真实性负责。
如有侵权行为，请联系网站管理员删除，。
上一篇文章讲了【用户画像高大，但90%的人都失败了】之后，很多同学说想看RFM，它今天来了。
一、RFM基本原理 RFM缩写三个单词： 最后一次消费时间（Recency），在计数时，最后一次消费通常记录到当前时间间隔，如7天、30天、90天；直观地说，用户在商店消费时间太长，一定有问题，必须做一些事情，许多公司的用户觉醒机制是基于此。
消费频率在一定时间内（Frequency），在计数时，用户通常会在一段时间内获得消费频率。
例如，一年内消费多少个月，一个月内到达商店多少天，等等；直观地说，用户消费频率越高，忠诚度越高；许多公司的用户激励机制都是基于这一点，他们想让买一次，第二次。
在一定时间内累计消费金额（Monetary），取数时，一般取一段时间内用户消费金额，如一年内消费金额；直观地说，用户购买的越多，价值就越大；许多公司VIP该机制以此为基础，满1万银卡，满2万金卡。
因此，单独看这三个维度是有意义的。
当然也有三个维度交叉看(如下图): 因为RFM与时间有关，所以很多学生会纠结于如何划分时间；严格来说，生活必需品越多，业务消费频率越高，时间越短。
最典型的是新鲜的，人们每天吃，7天不吃可能有问题；普通的快速消费品零售可能需要30天，类似的服装百货公司零售可能需要90天；当然，更多的做法是按月，如R，F、M计算过去一年的值——这只是因为它更容易理解。
RFM本质上是一种用三个分类维度来判断标准的方法；用户的质量可以通过三个维度的组合来判断，然后采取相应的措施。
RFM真正的意义在于，这是一种从交易数据中反推用户价值的方法，所以可行性很高！ 要知道，数据分析的最大瓶颈是数据采集，只要是正常企业，就必须有交易数据；因此，只要企业建立用户ID统一认证机制可以使用户ID与交易数据相关，可以使用RFM对用户进行分析；即使没有埋点，没有网站，没有基本信息也能做到，简直就是方便好用的神器。
当然，所有方便易用的工具都有自己的缺点，RFM模型也是如此。
二、RFM的最大短板 RFM最大的缺点是用户ID统一认证；不要低估这些词，在相当多的企业中很难实现。
例如，当你去超市、连锁店和商店购物时，收银员经常机械地问：你有会员卡吗？如果答案没有，她会让你去的；结果是线下商店的订单。
一般来说，70%-90%与用户无关ID；然后整个用户数据严重缺失，直接设置RFM很容易误判用户的行为。
至于用户一人多张会员卡轮流拉羊毛，多个用户一起拉羊毛VIP卡拿最大折扣，店员用亲戚的卡没有ID羊毛的订单等等，更是层出不穷；而且在实体企业、互联网企业中很常见。
所以做RFM当模型时，如果你真的看到111类用户，不要太。
十有八九有问题；如今，企业经常同时在天猫、JD.COM、自己的微商城、有赞等平台运营，这使得统一认证更加困难；没有好的规划，很容易陷入无尽的补贴坑。
三、RFM的深层问题 即使用户做得很好ID统一认证，RFM还有一个更深层次的问题。
让我们回顾一下，RFM模型的三个基本假设： R：用户离开的时间越长，损失的风险就越大 F：用户频率越高，越忠诚 M：用户买的越多越有价值 问一句:这三个假设成立了吗？ 如果不结合特定的行业、特定的产品、特定的活动，它似乎是建立起来的；但一旦具体讨论发现许多场景不满足这三个假设；所以：简单地说RFM，不结合产品和活动，很容易生产BUG的。
R：用户离开的时间越长，损失的风险就越大 如果是季节性服装消费，用户间隔2-3个月是正常的； 假如是手机、平板等新产品驱动产品，间隔时间基本跟随产品更新周期； 假如是家居、住房、汽车等大型耐用品，R没有意义，用户一生买两次； 假如是预付费，后刷卡模式，R不存在，需要用验证数据代替。
因此，R并不一定意味着用户有损失的风险，特别是在埋藏数据后，用户的互动行为可以更好地解释问题。
F：用户频率越高，越忠诚 如果用户消费是由活动、节假日、生日、周末等事件驱动的； 假如用户消费是由活动驱动的，比如什么时候有折扣，什么时候买； 假如用户消费是固定模式，比如买药的量是30天。
上述情况会导致F值不固定，可能是随机或人为操作。
许多企业执行僵硬RFM模型，通常设置一个固定的F值，比如鼓励用户购买4次，因为数据购买4次以上的用户非常忠诚；结果导致用户人工拆除订单，最终F值上升，利润下降。
M: 用户买的越多越有价值 如果用户想便宜，有折扣的时候囤货呢？ 假如用户买了一堆，吃腻了，用够了？ 假如用户买了耐用品，买了这个单子就等十几二十年了？ 假如用户消费本身就有生命周期，比如母婴，游戏，已经到了生命周期的尽头？ 在很多情况下，用户过去买的更多并不意味着他们将来买的更多。
这两者并不等同；因此，如果你真的看到011、001和101的客人，不要急于发送优惠券。
关键是要了解出了什么问题。
除了单独维度的问题外，三个维度也容易出现问题；因为许多公司的用户结构不是金字塔形的，而是埃菲尔铁塔底部聚集了太多的非活跃用户，大多数非活跃用户只有一个订单，或者只有几次登录；因此RFM如果真的按八类分类，000用户的比例可能会特别大。
这意味着现有的生存用户可能是幸存者偏差的结果，现有的111不是000的未来；为了解决问题，我们应该更深入地分析为什么会沉淀大量不活跃的用户，甚至从根本上改变过程；RFM生搬硬套。
可能会把生意带到死胡同。
四、RFM的典型乱用 RFM在缺乏数据(尤其是缺乏埋点数据)的情况下使用并没有错。
RFM比不用RFM好太多了。
RFM三个维度，每一个都很好用；RFM整体架构也适用于评价用户运营的整体质量。
生搬硬套错了RFM，不做深入分析；错的是看到买大订单叫爸爸，看到用户不买急于发行优惠券；盲目发行优惠券不仅严重透支营销成本，而且培养更多的羊毛用户，破坏正常运营，只是为了RFM数值好看。
尤其是网上文章和网课最喜欢教的:按RFM，每个分为5段，分为5段*5*5=125类，然后用K值聚类聚成5-8类，更是大错特错。
K均值聚类后RFM原意清晰的优点都没有了，到底这八类怎么解读，很混乱。
不考虑数据滚动更新，一周或一个月后，RFM指标都变了！你还每天把所有的用户都拿出来聚类吗？ k均值聚类不是一种稳定的分类方法，无监督分类更适合探索性分析；一周后，用户被分为两类，这将使营销、运营规划和执行政策非常疯狂：一天，推什么！ 本质上，因为在线课程和在线文本给出了一个完美的静态数据表：一个不需要与其他部门合作，另一个不需要考虑连续场景，所以选择了一个模型 算法的做法。
嗯，能不能用并不重要，看起来你是最关键的！ 五、如何让RFM更有用 综合RFM失败的场景可以看出，季节性、商品特征、促销活动、节假日事件和用户生命周期都会影响用户的行为；因此，它不局限于RFM，对用户场景的深入研究至关重要。
请注意，研究这五个要素并不像预期的那么困难。
例如，许多商品都有内在的相关性，只要熟悉业务就能理解；例如，季节性和假日事件本质上与时间有关；因此，可以分析用户登录和消费时间（如下图所示）。
促销活动也是如此。
促销活动可以直接从订单中识别出来，很容易给用户贴上敏感的促销标签。
用户生命周期需要数据采集，最关键的数据可以采集。
最典型的用户生命周期是母婴行业的做法。
企业将收集最关键的数据：怀孕多少周；父母不一定知道这个数据，母亲一定知道；如果你知道起点，你可以在后续计算。
类似地，药店连锁做慢性病管理，K12教育等等。
六、小结 任何模型都有其历史背景、数据基础和应用范围；并非所有模型的目的都是准确的；简单、易于使用、省事是更常见的考虑因素。
因此，再次强烈建议学生不要沉迷于成为知识收集者，试图找到宇宙中唯一的真理模型，然后死记硬背，崇拜。
研究自己工作的行业特点，改造方法为我所用，是让数据发挥更大作用的方法。
说到死记硬背，然后乱用的模型，除了RFM还有很多；比如关联分析，快2021年了，其实还有人相信啤酒和尿布，乱用也是一塌糊涂。
如果您感兴趣，请关注脚踏实地的陈先生。
请期待下一篇文章的分享。
特别说明：本网站的主要目的是收集与互联网运营相关的干货知识，为运营伙伴提供便利。
本网站收集的公共内容来自互联网或用户的贡献，这并不意味着本网站同意其观点，也不对网站内容的真实性负责。
如有侵权行为，请联系网站管理员删除，。
