编辑导语：RFM是很传统的数据分析模型，几乎所有文章都会提到它，然而市面上流传的各种乱用、错用也非常多；本文作者对RMF做出了详细的分析，我们一起来了解一下。

上一篇讲了【用户画像高大上，但90%的人都做失败了】以后，很多同学表示想看RFM，今天它来了。

一、RFM基本原理

RFM是三个单词的缩写：

最近一次消费时间（Recency），取数的时候一般取最近一次消费记录到当前时间的间隔，比如7天、30天、90天未到店消费；直观上，一个用户太久不到店消费，肯定是有问题，得做点什么事情，很多公司的用户唤醒机制都是基于这个制定的。

一定时间内消费频率（Frequency），取数时，一般是取一个时间段内用户消费频率。比如一年内有多少个月消费，一个月内有多少天到店等等；直观上，用户消费频率越高越忠诚；很多公司的用户激励机制都是基于这个制定的，买了一次还想让人家买第二次。

一定时间内累计消费金额（Monetary），取数时，一般是取一个时间段内用户消费金额，比如一年内有多少消费金额；直观上，用户买的越多价值就越大；很多公司的VIP机制是基于这个指定的，满银卡，满金卡一类。

所以，即使单独看这三个维度，都是很有意义的。

当然，也有把三个维度交叉起来看的（如下图）：

因为RFM与时间有关，因此很多同学在取数的时候会纠结时间怎么分；严格来说，越柴米油盐，消费频次本身越高的业务，取的时间应该越短。

最典型的就是生鲜，人天天都要吃饭，7天不吃可能就有问题；普通的快消品零售可能取30天，类似服装百货零售可能取90天；当然，更多的做法是按月取，比如R按月取，F、M算最近一年内的数值——这样做单纯是因为比较方便理解而已。

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；
  
• 1
• 2
• 3
• 下一页