在很多产品中我们将用户分为两类：非会员和会员两个群体。而在众多的客户关系管理（CRM）的分析模式中，RFM模型是被广泛运用的。它是衡量客户价值和客户创利能力的重要工具。所以今天我们要了解的是会员rfm用户分群。

一、会员rfm：什么是用户分群

用户分群，简单的说就是按照某些维度，可以是一个或者多个维度交集，按照一定的规则将用户划分成不同的群体。例如按照年龄划分：

用户分群可以分成2种，明分群和暗分群。

明分群指的是分群规则和对应群体的运营策略都是公开的，目的是利用更高群体的优质服务来吸引用户进行升级。

比如说会员体系，所有产品的会员规则和每一个级别的会员优惠都是明确公开的，商家就是使用更优质的服务来吸引用户不断升级会员等级。

相反，暗分群指的是分群规则和对应的运营策略都是不透明的，用户并不知道自己被分为了什么群体。

比如价格歧视策略，所谓的大数据杀熟，就属于这一类。

除了用户分群，我们还经常听到另一个概念：用户分层。这两者有什么区别吗？

简单来说，用户分群，不同的群体之间可能是平行关系，也可能是递进关系，也可能是其他关系。

而用户分层，是一种特殊的用户分群，不同的群体之间存在递进关系。

例如，如果按照性别，可以将用户划分为男女两个群体，这两个群体之间是平行关系，所以这是分群而不是分层。

而如果我们按照AARRR模型将用户分成5个群体，那么这就是用户分层，因为AARRR五个群体之间是存在递进关系的。

同样，会员体系也是一种用户分层。

所以，用户分层是一种特殊的用户分群方式。

那么，为什么要进行用户分群呢？

随着我们用户规模的不断扩大，单一的运营策略不再能满足所有用户的需求。

例如适用价格敏感型用户的优惠运营策略，就不一定适用于注重高品质的用户。

另外，用户群体大了以后，我们会发现其中20%的用户贡献了80%的价值，而公司的资源（包括人力、财力等）是有限的，不可能照顾到所有的用户，所以就需要筛选出高价值的20%用户进行重点运营。

二、会员rfm：如何进行用户分群

常用的用户分群方法，包括用户价值区隔分层、用户身份区隔、用户需求区隔和AARRR模型。

用户价值区隔分层，又分为两个维度：第一，依靠用户生命周期定义对用户进行价值区隔；第二，依靠用户关键行为对用户进行价值区隔。

而今天我们重点要给大家分享的RFM模型，就属于依靠用户关键行为对用户进行价值区隔的方法。（4种方法助你轻松完成用户分层）

RFM分别代表用户三种关键行为：

• R（Recency），距离最近一次交易，衡量用户的流失情况
• F（Frequency），交易频次，衡量用户的忠诚度
• M（Monetary），交易金额，衡量用户的贡献度

RFM三个值只分为高低两种情况，结合起来就是8中情况：

使用RFM模型的一般步骤：

下面，用一个实例来分享下具体的操作方法。

三、会员rfm：RFM分群实例

例如，从网上获取了40多万条电商订单数据，时间是2010年12月1日到2011年12月9日。

1. 会员rfm分析：R值

首先我们计算R值，R值指的是用户距离最近的一次交易，使用最近一次购买日期到现在时间的差距来衡量。

所以，第一步：我们要找出每个用户，最近一次购买的日期

选择所有订单数据，插入数据透视表，行选择客户，列选择购买日期，然后设置购买日期汇总方式为最大值（因为最近的日期肯定是最大的）。

找出所有用户最近一次购买日期，下一步计算这些日期距今的时间间隔。

使用公式：DAYS360（开始日期，结束日期），计算出时间间隔

然后，我们要选择一个中值，时间间隔小于中值的用户表示R值为高，大于中值的用户表示R值为低。

那我们如何选择中值呢？一般有几种常见的方法：

• 所有数据的平均值或中值
• 基于一个业务节点的重要值，例如投资理财类的R值，一般是1个月，因为发工资才有钱投资
• 以二八法则进行推算，80%的用户集中在低频低金额区间，20%的用户集中在高频高金额区间
• Means聚类算法，这个如果数据分析师小姐姐懂得话，就最好了

这里，我们使用20/80法则，发现使用众数作为中值更好。于是我们使用众数和如下公式，为每个客户的R值进行高低标记：=IF(C2<30,”高”,”低”)。

顺便分享下，计算众数的公式为：=MODE；计算中位数的公式为：=MEDIAN

2. 会员rfm分析：F值

F值指的是用户的购买频次，即在此期间用户下了多少单，所以我们只需要统计每个用户的去重订单数即可。

同样可以使用数据透视表来实现。

行使用客户ID，列使用订单号进行计数。

这里我发现了一个WPS很狗的地方，WPS不提供订单号去重计数，这个在excel里是支持的。。。

计算出每个用户的F值后，我们发现，F值的众数和最小值是一样的，并且中位数小于平均值，说明有几个很大的数值拉高了平均值。

为了使数据尽量符合20/80法则，我们选择5（接近平均值）作为F值的比较中值。

3. 会员rfm分析：M值

看原始数据发现，没有订单金额的数据，所以首先，要计算出每一笔订单的金额。

然后同样使用数据透视表，统计每个用户在此时间段内的购买总金额

然后，我们计算出订单金额的平均值，众数和中位数，发现平均值远大于中位数，这表明其中存在一些很大的订单金额数据，拉高了平均值，所以我们直接使用平均值作为F的中值即可。

这样，我们就把每个用户的RFM三个值的高低取值确定了。

通过统计人数后，我们得到：

当然，如果您觉得上述方法过于复杂抽象，难以理解，也可以尝试九数云，它是一款零代码的SaaS BI，是面向个人、团队及中小企业的一款云端数据分析及可视化平台，支持多种数据分析方式，并有多种报表模板可以选择。