“?本文主要以某小程序电商数据为例（已数据脱敏），来实际说明如何对用户进行RFM分层，及相关层级用户运营”

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 本文为第一篇文章，主要旨在复盘业务中RFM分层的过程和作用。

1——RFM含义及作用

RFM是用于衡量用户价值的工具和手段。主要是通过3个维度，对用户的过往行为进行评分，最后由数值评分转化为名义评价， 对用户群进行8层分级，针对每一层级，设定不同的push文案及优惠活动，延长用户的生命周期，进行提升LTV数值。

RFM是Rencency（最近一次消费），Frequency（消费频率）、Monetary（消费金额），三个指标首字母组合，如图所示：

2—用户分层实操

?????首先我们要对用户数据进行清洗。拉取所有订单数据，在此我选用收货人手机号做为用户识别码，理由很简单，手机号作为实名认证字段，可以尽可能的针对到具体用户，保证数据的真实性。清洗掉无效订单（虚拟发货订单和运费及内部测试订单），得到有效数据表。

根据RFM三个字段的含义，保留订单号，订单实付金额及付款时间。同时插入一列，字段名为最近购买时间，需要用到DATEDIF函数。

数据源

这里简单说明下DATEDIF函数。其函数格式为=DATEDIF(单元格F2，"时间（默认为本机时间）"，时间类型）。D表示day，M表示month，Y表示year

? ? ?得到想要的字段后，拉取数据透视表，分别得到R(最近购买时间），M（累计付款金额）和F（购买频次）的字段。?R为最近购买时间的最小值，M为订单实付金额的求和值，F为订单号的计数值，建议透视表进行相关命名。

字段名

? ? ?得到想要的RFM值后，需要根据数值情况和业务中实际需求，来设定各值评分。

? ? ?例如，我这里先将R值进行拉取透视表，得到R值的频数分布图。

R值分布

? ? 拉取各频数所占比后，再考虑到实际业务中购买情况，确定了R值的评分标准。

R值评分

? ? 同理给到F值、M值的的评分标准。

F值评分

M值评分

这里可以看到评分中会给到1分的有大量占比，主要是考虑到实际业务中的“二八原则”，即主要关注能够使业务快速发展的20%机会和人群。

之后便回归原数据，计算每个用户的RFM值（部分示例）

计算评分

? ? 分别拉取R、F、M值的平均值，基于平均值，针对于每一个用户打标签。

打标签

基于上述标签，给用户进行分层。

用户标签分层

这里为了方便使用，将函数给到，可直接复制，更改单元格即可。

=IF(AND(H2="高",I2="高",J2="高"),"重要价值客户",IF(AND(H2="高",I2="低",J2="高"),"重要发展客户",IF(AND(H2="低",I2="高",J2="高"),"重要保持客户",IF(AND(H2="低",I2="低",J2="高"),"重要挽留客户",IF(AND(H2="高",I2="高",J2="低"),"一般价值客户",IF(AND(H2="高",I2="低",J2="低"),"一般发展客户",IF(AND(H2="低",I2="高",J2="低"),"一般保持用户","一般挽留用户")))))))

对用户数据进行可视化：

3——运营策略制定

根据不同用户所带来的价值，设定不同的运营策略，如下：

建议策略

具体措施例如：

针对于重要价值客户，主要保持现状，这就需要引入会员体系，通过会员折扣及任务所带来的正反馈，提升活跃程度，并针对性的进行优惠券发放，人力充足的情况下可以将全部重要价值客户拉社群，进行社群服务，拉近与用户的关系，得到用户的及时反馈，以便迭代。同时此类用户由于对平台的信任感较强，用来进行二次裂变拉新，也是个不错的选择。

特别需要指出的是，一般挽留客户，不建议耗费大量精力去进行促活刺激，频繁的push推送刺激可能会带给用户反感，进行在其社交圈内进行负面传播，不利于产品口碑，建议日常大促时push发送优惠券即可，多使用自动化工具，减少人力成本。

以上便是这段时间内对于用户分层学习和认知记录，针对于具体策略方面，结合可达成的营销手段，通过提前指定业务关键指标，快速小范围地进行MVP打造方案和文案，验证后进行大范围营销手段推广，是主要的增长思路。具体的操作方法还望各位留言评论进行互相学习，以上有不足之处还望多多指教。