一、什么是 RFM 分析方法？
1、定义：最近1次消费时间间隔（Recency）、消费频率（Frequency）、消费金额（Monetary），通过这3个指标对用户分类的方法称为RFM分析方法。
2、这3个指标针对的业务不同，定义也不同，要根据业务来灵活定义。
各指标特征如下：
对于最近1次消费时间间隔（R），上一次消费离得越近，也就是R的值越小，用户价值越高。
对于消费频率（F），购买频率越高，也就是F的值越大，用户价值越高。
对于消费金额（M），消费金额越高，也就是M的值越大，用户价值越高。
全部交叉起来看：
二、RFM分析方法有什么用？
用RFM分析方法把用户分为8类，对不同价值的用户使用不同的运营决策，把公司有限的资源发挥到最大的效果，这就是我们常常听到的精细化运营。
例如第1类是重要价值用户，这类用户最近一次消费时间较近，消费频率也高，消费金额也高，要提供VIP服务。
三、如何使用RFM分析方法？
第1步：计算R、F、M的值。
要得到R、F、M这3个指标，一般需要数据的3个字段：用户ID或者用户名称、消费时间、消费金额。从这3个字段可以计算出R、F、M这3个指标。
以下图中的原始数据为例，假设现在是2020年1月30日，分析最近30天的用户。
其中，小明最近一次消费是2020年1月26日，与今天（1月30日）的间隔是4天。他在最近30天消费了2次，总共消费金额是5000元。
计算R、F、M值用这个方法，计算出下图里两位用户的R、F、M值。
同时在表格里加了3列，用于后面对计算出的R、F、M 3个值打分。
第2步：给R、F、M值按价值打分。注意这里是按指标的价值打分，不是按指标数值大小打分。
对于最近1次消费时间间隔（R），上一次消费离得越近，也就是R的值越小，用户价值越高。
把这3个指标的打分规则，整理如下图所示。
实际业务中，如何定义打分的范围，要根据具体的业务来灵活掌握，没有统一的标准。
根据打分规则，可以对表2-16计算出的R、F、M值进行分类，在最后3列填上对应的分值：
第3步：计算价值平均值。分别计算出R值打分、F值打分、M值打分这3列的平均值：
第4步：用户分类。
在表格里增加3列，分别用于记录R、F、M 3个值是高于平均值，还是低于平均值。
如果一行里的R值打分大于平均值，就在R值高低列里记录为“高”，否则记录为“低”。
F值、M值也这样比较，最终得到了如下图所示：
然后和用户分类表格里定义的规则进行比较，就可以得出用户属于哪种类别，如图：
用户分类后，如何精细化运营呢？由于不同公司业务不一样，运营策略也不一样。
（1）重要价值用户，RFM三个值都很高，要提供VIP服务；
（2）重要发展用户，消费频率低，但是其他两个值很高，要想办法提高他的消费频率；
（3）重要保持用户，最近消费时间距离现在较远，也就是R值低，但是消费频率和消费金额高。这种用户，是一段时间没来的忠实客户。应该主动和客户保持联系，提高复购率；
（4）重要挽留客户，最近消费时间距离现在较远，消费频率低，但消费金额高。这种用户即将流失，要主动联系用户，调查清楚哪里出了问题，并想办法挽回。
这样通过RFM分析方法来分析用户，可以对用户进行精细化运营，不断将用户转化为重要价值用户。
四、注意事项。
（1）不同业务中R、F、M的定义不同，要根据具体业务灵活应用。
（2）R、F、M按价值确定打分的规则一般分为1～5分，也可以根据具体业务灵活调整。
RFM 的意义
RFM 本质上是一种用三个分类维度，找判断标准方法；通过三个维度的组合计算，能判定出用户的好坏，然后采取对应措施。
RFM 的真正意义在于：这是一种从交易数据反推用户价值的方法，因此可行性非常高！
要知道：做数据分析的最大瓶颈是数据采集，而只要是个正常企业，交易数据是肯定有的；因此只要企业建立了用户ID统一认证机制，就能将用户ID与交易数据关联起来，就能用RFM来分析用户了；
即使没有埋点、没有网站、没有基础信息也能做，简直是方便好用的神器。
当然，所有方便好用的工具，都自带一些不足，RFM 模型也是如此。
二、RFM的最大短板
RFM最大的短板，在于用户ID统一认证；不要小看这几个字，在相当多的企业里非常难实现。
比如你去超市、连锁店、门店买东西，往往收银小妹会机械的问一句：有会员卡吗？如果回答没有，她也放你过去了；导致的结果，是线下门店的订单，一般有70%-90%无法关联到用户ID；进而导致整个用户数据是严重缺失的，直接套RFM很容易误判用户行为。
至于用户一人多张会员卡轮流薅羊毛，多个用户共同一张VIP卡拿最大折扣，店员自己用亲戚的卡把无ID订单的羊毛给薅了之类的事，更是层出不穷；而且在实体企业、互联网企业都普遍存在。
所以做RFM模型的时候，如果你真看到111类用户，别高兴太早，十有八九是有问题的；现在的企业往往在天猫、京东、自有微商城、有赞等几个平台同时运作，更加大了统一认证的难度；如果没有规划好，很容易陷入无穷无尽的补贴大坑。
三、RFM的深层问题
即使做好了用户ID统一认证，RFM还有一个更深层的问题。
让我们回顾一下，RFM模型的三个基本假设：
R：用户离得越久就越有流失风险F：用户频次越高越忠诚M：用户买的越多越有价值反问一句：这三个假设成立吗？
如果不结合具体行业、具体产品、具体活动来看，似乎是成立的；但是一旦具体讨论就会发现：很多场景不满足这三个假设；因此：单纯讲RFM，不结合产品、活动，是很容易出BUG的。
R：用户离得越久就越有流失风险
如果是服装这种季节性消费，用户间隔2-3个月是很正常；如果是手机、平板这种新品驱动产品，间隔时间基本跟着产品更新周期走；如果是家居、住房、汽车这种大件耐用品，R就没啥意义，用户一辈子就买2次；如果是预付费，后刷卡的模式，R就不存在了，需要用核销数据代替。
所以R不见得就代表着用户有流失风险，特别是现在有了埋点数据以后，用户互动行为更能说明问题。
F：用户频次越高越忠诚
如果用户消费是事件驱动的，比如赛事、节假日、生日、周末；如果用户消费是活动驱动的，比如啥时候有优惠啥时候买；如果用户消费是固定模式的，比如买药的用量就是30天。以上情况都会导致F的数值不固定，可能是随机产生的，也可能是人为操纵的。
很多企业僵硬地执行RFM模型，往往会定一个固定的F值，比如促使用户买4次，因为数据上看买了4次以上的用户就很忠诚；结果就是引发用户人为拆单，最后F值做上去了，利润掉下来了。
M: 用户买的越多越有价值
如果用户是图便宜，趁有折扣的时候囤货呢？如果用户买了一堆，已经吃腻了、用够了呢？
如果用户买的是耐用品，买完这一单就等十几二十年呢？如果用户消费本身有生命周期，比如母婴，游戏，已经到了生命周期末尾呢？很多情况下，用户过去买的多，不代表未来买的多，这两者不划等号；因此真看到011、001、101的客人，别急着派券，整明白到底出了啥问题才是关键。
除了单独维度的问题外，三个维度连起来看，也容易出问题；因为很多公司的用户结构不是金字塔形，而是埃菲尔铁塔型——底部聚集了太多的不活跃用户，且不活跃用户大多只有1单，或者只有几次登录便流失；因此RFM真按八分类化出来，可能000的用户比例特别多。
这意味着现有存活的用户，可能是幸存者偏差的结果，现有的111不是000的未来；要更深层次地分析为啥会沉淀大量不活跃用户，甚至从根上改变流程，才能解决问题；真按照RFM生搬硬套。可能就把业务带到死胡同里了。
四、RFM的典型乱用
RFM本身并没有错，在数据匮乏（特别是缺少埋点数据）的情况下，用RFM比不用RFM好太多了。
RFM的三个维度，每一个都很好用；RFM的整体架构，也适合用于评估用户经营的整体质量。
错的是生搬硬套RFM，不做深入分析；错的是看到买了大单的就叫爸爸，看到用户不买就急着发券的无脑做法；一味派券不但严重透支营销成本，更会培养出更多薅羊毛用户，破坏了正常经营，只为了RFM的数值好看。
特别是网上文章、网课最喜欢教的：按RFM，每个拆分成5段，分成 5*5*5=125 类，然后再用K均值聚类聚成5-8类的做法，更是大错特错。
经过K均值聚类以后，连RFM原有的含义清晰的优点都没有了，到底这8类咋解读，非常混乱。这样做没有考虑数据滚动更新，过了一周或者一个月，RFM指标都变了呀！
难道你还天天把全量用户拿出来聚类吗。k均值聚类不是一个稳定的分类方法，无监督的分类更适合做探索性分析；隔了一周，一个用户被分成完全不同的两类，这会让市场营销、运营策划执行政策的时候非常抓狂：一天一个样，到底要推什么！
本质上看，因为网课、网文给的都是一张清洗得完美的静态数据表：一不需要跟别的部门合作，二不需要考虑连续场景，所以才选了一个模型+算法的做法。
嗯，能不能用不重要，显得自己牛逼最关键！
五、如何让RFM更有用
综合RFM失效的场景，可以看出：季节性、商品特征、促销活动、节假日事件、用户生命周期，这五大要素，都会影响到用户的行为；因此不局限于RFM，深入研究用户场景非常关键。
注意，这五大要素研究起来，并没有想象中的难。比如很多商品有内在的关联性，只要熟悉业务就能整明白；比如季节性、节假日事件，本质上都和时间有关；因此，对用户登录、消费的时间打上标签，就能进行分析（如下图）。
促销活动也是同理，促销活动可以直接从订单识别出来，因此也很容易给用户贴上——促销敏感型的标签。
用户生命周期，需要数据采集，而且是采集一个最关键的数据即可。
最典型的用户生命周期是母婴行业做法，企业一定会采集一个最关键的数据：怀孕多少周了；这个数据爸爸们不见得清楚，妈妈们一定很清楚；知道了起点，后续就可以推算了。
类似的还有药店连锁做慢病管理、K12教育等等。
六、小结
任何模型都有其产生的历史背景、数据基础、使用范围；也不是所有模型的目的都是精准；简单、好用、省事，是更多时候的考虑。
因此再次强烈建议同学们，不要沉迷于当知识收集者，企图找到《宇宙唯一真理模型》然后死记硬背，顶礼膜拜。
多结合自己工作的行业特点，改造方法为我所用，才是让数据发挥更大作用的方法。
说起死记硬背，然后乱用的模型，除了RFM还有很多；比如关联分析，都快2021年了，居然还有人信啤酒与尿布，被乱用得也是一塌糊涂。
有兴趣的话，关注接地气的陈老师，我们下一篇分享，敬请期待哦。
参考资料
https://blog.csdn.net/Hudas/article/details/125178003
https://baijiahao.baidu.com/s?id=1678599529528503634&wfr=spider&for=pc
http://www.iqinshuo.com/4804.html
https://wenku.baidu.com/view/78eadd34a11614791711cc7931b765ce05087aab.html
http://www.360doc.com/content/22/0317/17/75465610_1021954415.shtml
