一种基于RFM模型的APP活跃用户价值评估及分类方法

移动开发
本文介绍的RFM(Recency Frequency Money)模型,就是目前在数据分析中常用的一种用户分群方法,利用RFM完成用户分群,再针对不同用户实施不同的运营策略,实现用户精细化运营。

Labs 导读

随着互联网的快速发展,各类产品层出不穷,产品的竞争压力也逐渐增加,用户对于互联网产品的要求也逐渐严苛,对于用户体验的关注度也越来越高,只有符合用户习惯,被用户认可的产品才会在竞争中具有优势,因此,针对不同类型用户进行精细化管理和运营十分重要,而进行用户精细化运营的前置步骤即为使用合适的标准对用户进行分类,进而将用户划分成不同群组,再针对不同群组的用户指定差异化的运营策略。本文介绍的RFM(Recency Frequency Money)模型,就是目前在数据分析中常用的一种用户分群方法,利用RFM完成用户分群,再针对不同用户实施不同的运营策略,实现用户精细化运营。

Part 01 RFM模型概述 

RFM(Recency-Frequency-Monetary)模型是衡量客户价值和客户创利能力的重要工具和手段,在消费型产品中具有较为广泛的运用,其中R表示最近一次消费间隔时间,F表示特定时间范围内消费次数,M表示特定时间范围内消费总额,对于非消费类型的产品,这样的定义方式不再适用,从用户活跃和行为角度考虑,可以对RFM模型进行变形,定义R为最近一次活跃间隔天数,F为某时间范围内活跃天数,M为某时间范围内价值分数,价值分数可以利用用户在产品中的重要行为进行计算,利用R、F、M三个指标维度维度,将用户分为重要价值用户、重要发展用户、重要保持用户、重要挽留用户、一般价值用户、一般发展用户、一般保持用户、一般挽留用户8种价值类型,可用于对用户进行精细化运营,整体流程如图1所示。

图1 用户价值评估及分类方法总体流程

Part 02 用户数据获取模块

利用客户端登录接口上报数据,统计用户活跃数据明细,利用客户端埋点接口上报数据,统计用户在客户端上的访问行为数据明细,对于用户活跃数据及用户行为数据进行汇聚,得到用户数据集,具体获取流程如图2所示。

图2 用户数据获取流程

Part 03 RFM指标计算模块

RFM指标计算如图3所示,在获得用户数据集(用户活跃数据、用户行为数据)后,利用用户活跃数据计算用户最近一次活跃间隔天数,以及在特定时间范围(近N天)内用户活跃次数。利用用户行为数据,计算用户在特定时间范围(近N天)内在特定功能上的使用情况,此处的功能可以根据产品特点自定义(如表1所示),如总体上可以将功能划分为核心功能与附加功能两类,核心功能包括评论、点赞、转发分享、添加购物车、下单购买等,附加功能包括参与抽奖活动、参与签到活动、参与用户调研等,根据产品实际情况和运营目标进行功能类型和数量的调整。

使用用户最近一次活跃间隔天数,使用如表2所示的规则进行R指标得分计算(此处的分数划分规则也可以根据实际情况调整),当用户最近一次活跃间隔天数为21天及以上则此项得分为0分,当间隔天数为11~20天则此项得分为20分,当间隔天数为6~10天则此项得分为60分,当间隔天数为4~5天则此项得分为80分,当间隔天数为3天以内则此项得分为100分。

使用用户在特定时间范围(近N天)内用户活跃次数,使用如表3所示的规则进行F指标得分计算(此处的分数划分规则也可以根据实际情况调整),当用户活跃1~2次时此项得分为20分,当用户活跃3~5次时此项得分为40分,当用户活跃6~8次时此项得分为60分,当用户活跃9~15次时此项得分为80分,当用户活跃16次以上时此项得分为100分。

使用用户在特定时间范围(近N天)内在特定功能上的使用情况数据,使用如表4所示的规则进行M指标得分计算(此处的分数划分规则也可以根据实际情况调整),当用户使用i个核心功能和j个附加功能时,此项得分为(80×i/I)+(20×j/J)分,此项满分为100分。

图3 RFM指标计算过程

表1 功能使用举例

表2 R指标得分规则

表3 F指标得分规则

表4 M指标得分规则

图片图片

Part 04 RFM模型构建模块

如图4所示,在RFM指标计算后,即形成用户的RFM特征集,在RFM模型构建模块,需要使用R、F、M三项指标将用户划分为不同类别。在此部分,首先需要计算每一项指标的阈值,在整体用户的RFM特征集基础上,计算所有用户R、F、M三项指标的均值,使用均值作为每项指标的阈值。

图4 RFM指标计算流程

Part 05 用户价值评估及分类模块

在RFM模型构建完成后,即可利用模型对用户进行分类,用户分类标准如表5所示:

(1)当用户的R、F、M指标均较高时,将用户划分为重要价值用户;

(2)当用户的R、M指标较高而F指标较低时,将用户划分为重要发展用户;

(3)当用户的F、M指标较高而R指标较低时,将用户划分为重要保持用户;

(4)当用户的M指标较高而R、F指标较低时,将用户划分为重要挽留用户;

(5)当用户的R、F指标较高而M指标较低时,将用户划分为一般价值用户;

(6)当用户的R指标较高而F、M指标较低时,将用户划分为一般发展用户;

(7)当用户的F指标较高而R、M指标较低时,将用户划分为一般保持用户;

(8)当用户的R、F、M指标均较低时,将用户划分为一般挽留用户。

表5 用户价值分类规则

从划分规则上可以看出:M指标决定用户是否为重要用户;当用户使用间隔较短、频率较高时价值较高;当用户使用间隔较短、频率较低时,可重点考虑用户发展运营策略的制定;当用户使用间隔较长、频率较高时,可重点考虑用户保持运营策略的制定;当用户使用间隔较长、频率较低时可考虑用户可能已经在流失中,需要重点考虑挽留运营策略的制定。利用用户价值评估和分类结果即可针对不同类型用户进行针对性的运营策略制定,实现用户精细化运营。

责任编辑:庞桂玉 来源: 移动Labs
相关推荐

2024-01-18 15:38:17

语言模型大型语言模型

2023-12-27 14:03:48

2013-01-28 10:57:18

App用户价值商业价值

2023-09-01 15:43:10

2018-03-25 22:37:21

词尾预测英俄翻译质量

2009-06-03 15:38:37

Struts框架RBAC

2018-12-14 14:30:12

安全检测布式系测试

2021-09-01 07:21:41

数仓RFM模型

2011-07-04 17:53:48

快速测试

2010-03-26 13:34:47

CentOS安装

2021-06-11 00:11:23

GPS数据协议

2023-07-18 07:23:11

方案payloadrequest

2011-12-28 21:18:18

App

2018-02-08 08:11:41

2024-05-24 08:54:18

2023-07-06 10:15:38

布隆过滤器优化

2017-03-13 11:30:39

2020-12-23 10:10:23

Pythonweb代码

2022-07-07 10:33:27

Python姿势代码
点赞
收藏

51CTO技术栈公众号