全流程分享:利用RFM模型开展金融产品精细化运营

2019北京运营增长大会 16位嘉宾与你一起探讨下沉市场、私域流量、KOC等热点线日

产品老司机手把手教写文档,10天线上课程,零基础掌握产品经理必备7大文档撰写法。了解一下

本文以笔者负责的金融类产品经验为依据,展示了如何利用RFM模型开展金融产品精细化运营的全流程。

最后就可以根据判断结果采取不同的运营手段了。下面列出2点我们具体实施时的工作流程给大家参考:

人人都是产品经理(是以产品经理、运营为核心的学习、交流、分享平台,集媒体、培训、社群为一体,全方位服务产品人和运营人,rfm模型成立9年举办在线+期,线+场,产品经理大会、
更多精彩尽在这里,详情点击:https://ouryoungteenmodels.com/,布鲁格曼运营大会20+场,覆盖北上广深杭成都等15个城市,在行业有较高的影响力和知名度。平台聚集了众多BAT美团京东滴滴360小米网易等知名互联网公司产品总监和运营总监,他们在这里与你一起成长。

RFM模型、精准营销详解社交电商等零售业均适用的持续锁客之道

中国国际航空通过建立精准用户画像,通过3个月国际化社交媒体的投放,实现73%的销售额增长;小米通过建立智能精准营销体系帮助自身及合作品牌实现了高度的品牌曝光。

精准营销成为企业营销的必然。然而我们的现有用户是谁?用户流失如何挽回?大多数企业还是处于迷茫的状态,没有精准的顾客数据就就无法做到精准营销。如何建立精准的顾客数据?首先,需要通过大数据、云端CRM管理系统等零售技术系统支持以收集数据;其次,这些数据收集之后通过RFM模型进行分析;最后,根据分析后的数据,进行顾客精准的营销。下面我们先来分析RFM模型和基于RFM模型上的精准营销怎么做?

1、 RFM模型:是众多客户关系管理(CRM)分析方法中的一种,能够方便快速有效的量化用户价值和创利能力。

2、 RFM模型有三个要素,分别是:Recency(最近一次交易距今时间)、Frequency(交易频率)、Monetary(交易金额)。

用户最近一次交易距今的时间。间隔时间越短,则值越大,这类客户也是最有可能对活动产生反应的群体。

用户在限定的时间内所购买的次数。最常购买的顾客,也是满意度、忠诚度最高的顾客。

用户的交易金额,可以分为累计交易金额和平均每次交易金额,根据不同的目的取不同的数据源进行建模分析。

R值、F值、M值分别计算出均值,然后根据用户的数据就可以填入相应的客户类型。“↑”表示大于均值,“↓”表示小于均值。

CRM实操时可以选择RFM模型中的1-3个指标进行客户细分,如下表所示。切记细分指标需要在自己可操控的合理范围内,并非越多越好,一旦用户细分群组过多,一来会给自己的营销方案执行带来较大的难度,而来可能会遗漏用户群或者对同个用户造成多次打扰。

最终选择多少个指标有两个参考标准:店铺的客户基数,店铺的商品和客户结构。

店铺的客户基数:在店铺客户一定的情况下选择的维度越多,细分出来每一组的用户越少。对于店铺基数不大(5万以下客户数)的店铺而言,选择1-2个维度进行细分即可。对于客户超过50万的大卖家而言可以选择2-3个指标。

店铺的商品和客户结构:如果在店铺的商品层次比较单一,客单价差异幅度不大的情况下,购买频次(F值)和消费金额(M值)高度相关的情况下,可以只选择比较容易操作的购买频次(F值)代替消费金额(M值)。对于刚刚开店还没形成客户粘性的店铺,则可以放弃购买频次(F值),直接用最后一次消费(R值)或者消费金额(M值)。

除了直接用RFM模型对用户进行分组之外,还有一种常见的方法是利用RFM模型的三个属性分别对客户进行打分,通过打分确定每个用户的质量,最终筛选出自己的目标用户。

第1类顾客:曾经购买过1次、90天未购买、购买金额在100元以下的客户。

策略:这类客户可属于活跃的低贡献客户,需要密集的营销信息推送,并结合促销商品和折扣活动。

第2类顾客:曾经购买过2次、90-180天未购买、购买金额在100-200元的客户。

策略:这类客户属于沉默的中度贡献的老客,需减少推送频率,提升优惠力度,结合促销商品和折扣活动。

第3类顾客:曾经购买过3次,180天未购买、购买金额在200-500元的客户。

策略:这类客户属于睡眠的中高贡献的成熟客户,需结合形象商品/品牌活动,对其进行大型活动的营销推送。

第4类顾客:曾经购买4次、360-720天未购买,购买金额在500-1000元的客户。

策略:这类客户已经属于流失的高贡献的成熟客户。这类客户流失了,对于企业来说非常可惜。那么如何唤醒呢?企业需要结合形象商品/品牌活动,推送超大型活动(比如双十一),传递会员活动和权益信息。权益这块,可以是会员权益,比如赠送爱奇艺会员、送货上门、跨界服务、车位预留等服务。为什么会员权益来挽回高贡献的老客?首先这类顾客对品牌是认可的,但是也可能同时认可竞争对手的品牌,而将注意力转向竞争对手。通过差异化服务,做出品牌区隔,拉回老客户,成为会员权益设计的最终目的之一。

以优衣库为例,从2016年至今连续三年蝉联天猫双十一服饰品类冠军、2016年双11,2分53秒破亿。rfm模型2017年双11,一分钟内破亿。2018年双11,35秒破亿。业绩活便离不开其在营销方面的会员权益设计:免单机会、优品体验、设计师合作款抢先体验和会员服务等。这是在同质化竞争的当下,作出与其他服装企业的品牌区隔,也是精准营销的重要一步。布鲁格曼

通过RFM模型充分挖掘用户购买的行为习惯,再结合精准营销策略、会员权益持续锁客,帮助企业拨开迷雾,寻找到用户,挽回老客。这适用于社交电商在内的零售行业。返回搜狐,查看更多

更多精彩尽在这里,详情点击:https://ouryoungteenmodels.com/,布鲁格曼

如何进行用户分层实现精细化运营?利用RFM用户价值模型

更多精彩尽在这里,详情点击:https://ouryoungteenmodels.com/,布鲁格曼

2019北京运营增长大会 16位嘉宾与你一起探讨下沉市场、私域流量、KOC等热点线日

21天Excel零基础速成训练营,导师带学+答疑辅导+实战作业,让你真正掌握Excel技能,了解一下

本文作者主要是分享一下RFM模型在用户分层精细化运营领域的应用方法和简单的实操案例。enjoy~

一个是基于用户生命周期,也就是时间和用户在产品内的成长路径进行的生命周期模型的搭建

另一个就是基于用户关键行为进行的RFM模型的搭建,本次只说用户价值模型中的RFM模型

RFM模型有哪些好处呢?当我们确定了RFM模型之后,从而可以决定针对哪些用户在发送短信时,加上前缀“尊敬的VIP用户”,哪些用户加上前缀“好久不见”。也可以帮助企业判断哪些用户有异动,是否有流失的预兆,从而增加相应的运营动作。用处之大,且看下文。

最早是将R、F、M每个方向定义5个档,5*5*5=125种用户分类,对大部分运营和产品来说,过于复杂,大家可以不用去了解为何分成5档这样的历史问题。现在我们已经把R、F、M每个方向定义为:高、低,两个方向,我们找出R、F、布鲁格曼M的中值,R=最近一次消费,高于中值就是高,低于中值就是低,这样就是2*2*2=8种用户分类,如下图:

所以,如果我们能够找出产品内用户隶属于以上8类中的哪一类,我们就可以针对性的制定运营策略。

R:最近一次登录时间、最近一次发帖时间、最近一次投资时间、最近一次观看时间

上面这些都是在其它领域对R、F、M的定义,具体要根据实际业务情况进行评估。比如你是豆瓣的运营负责人,发现过去一周,豆瓣图书版块的整体流量下降10%,同时,文学书籍类别下的分享帖环比下降5%,你要去分析原因,可以选取对应R、F、M的字段分别为:登录数、发帖数、互动数。

图书版块整体流量下降,可以理解为这个版块的活跃下降,可以看下过去一周的登录数。

同时,流量下降,我们可以看下是否因为帖子质量相对下降,导致用户的互动(评论、收藏等)下降,进而导致流量下降。

下面我以自己抓取的1w条某导购平台的一套数据为例,带大家使用最简单的方法,进行这套数据中用户RFM模型的搭建,找出这8个类别的用户。

(1)抓取R、F、M三个维度下的原始数据,我抓取是最近一次消费时间、消费频次、消费金额。上文已经说过,在做各自业务分析时,可以根据实际情况选取R、F、M的数据字段。下表是1w条数据中的13条进行展示:

(2)我将1w条数据的最近一次消费时间、消费频次、消费金额分别用占比趋势图进行处理,以消费频次为例,如下图:

(3)计算1w条数据,每条数据下最近一次消费时间、消费频次、消费金额对应的R、F、M值:

(4)计算R、F、M的平均值,这一点大家应该都会,直接求和再除以项数。R(ave)=2.9,F(ave)=1.8,M(ave)=2.7

(5)将1w条数据每个用户的R值、F值、M值和平均值进行比较,高于平均值则标记为高,低于平均值则标记为低:

每个用户的R值、F值、M值与中值进行比较,判断高或者低,进而确定用户属于上文所说RFM模型8类用户中的哪一类,这里需要用到一个简单的if语句进行判断,我们以A1用户为例,判断A1用户所属用户类别:

在抓取原始数据时,rfm模型一定要结合实际业务来选取关键数据指标进行分析,而不是千篇一律的最近一次消费时间、消费频次、消费金额

。上文也给过豆瓣的案例,在豆瓣案例中,R=登录数、F=发帖数、M=互动数。

在定义R值、F值、M值的评估模型进行数据区间分隔时,也不是千篇一律的用本文说述的看整体趋势,从而发现明显断档的形式进行,也可以用散点图、透视表、占比图等进行判断。

同时,除了通过数据去发现断档,我们可以基于自己的业务和业内的平均水平进行临界点的发现。比如针对滴滴、易道这样的打车软件,使用频次相对较高的肯定是工作日。所以,如果分析滴滴的业务,F值消费频次的5个分档可以基于实际业务,以每5天作为一档,分析近30天内的业务表现。比如F=1=5天以内,F=2=6-10天,F=3=11-15天,F=4=16-20天,F=5=21-30天。然后将提取的每个用户的消费频次和这5个档进行比较,确定每个用户的F值

除了平均值,还有二八法则,20%的用户创造了80%的收益,所以,可以将这个临界点作为每个用户R、F、M比较的对象。对于更加复杂的业务,可以寻求程序员协助,使用Means聚类算法进行精准取数。

除了本文所说选取3个核心业务指标进行交叉分析,有些时候,我们可能需要同时分析4个、5个指标,或者只需要分析2个指标。所以,

我不知道你是否了解RFM的起源,如果了解的话,你会发现,目前互联网上散布的所有RFM相关的文章、教学视频都是在起源基础上换着法的表达。RFM的三个字母的意思、四维立体象限、八分方向的用户分层,这些都是前人定下的,我是没法去改变的,你去搜索RFM的图片,能看到的就是这样的,你看其他人的文章的图片也是这样的,每个人都一样。我们没必要在一些基础的内容上浪费太多时间,就像做语音识别的公司会直接接入科大讯飞的API一样。但大部分文章表达的是什么?是介绍RFM为何物,不知道实际中怎样操作,不知道RFM模型的使用操作流程。致远的文章我看过,其它很多人的文章我都看过,所以才会有开头那句:“在用户运营领域,有一个叫做RFM的词,相信很多人看到过,或许感觉比较专业就没有继续深入;或者有些文章涉及到了python等数据处理手段,望而却步;又或者因为这个词跟电商关系紧密,所以非电商的运营伙伴就选择了放弃学习。”

我写的这篇文章核心的是什么?是我对大家在使用RFM过程中要注意点的总结;是我举例告诉大家RFM不仅可以适用于电商,其它业务模式中也可使用;是我告诉了大家RFM模型正确的使用流程。关于你说我抄袭,我能看出来的就是在Excel中的那些计算公式,我想请问,你平时每天在用的求和、平均值,是不是都算抄袭了?我原本就是为了避嫌,不想把公式写出来的,因为公式是使用RFM中最不重要的部分,最重要的是思想,是怎样选取源数据、怎样确定评估模型和中值。没想到还是被人诟病。

RFM模型你去网上搜一下,能看到的就是四维立体象限图、看到的就是八个方向的用户分层,这个不是我们现在写文章的谁发明的,我也没必要为了避开什么,非要表格做的不一样,表头换个颜色,没必要。

人人都是产品经理(是以产品经理、运营为核心的学习、交流、分享平台,集媒体、培训、社群为一体,全方位服务产品人和运营人,成立9年举办在线+期,线+场,产品经理大会、运营大会20+场,覆盖北上广深杭成都等15个城市,在行业有较高的影响力和知名度。平台聚集了众多BAT美团京东滴滴360小米网易等知名互联网公司产品总监和运营总监,他们在这里与你一起成长。

「iDATA小灶07」RFM模型

首先大家要了解什么是RFM模型,RFM模型是一个经典的分类模型,用来衡量当前用户价值和客户潜在价值。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。

在某些商业形态中,客户与企业产生连接的核心指标会因产品特性而改变。如互联网产品中,以上三项指标可以相应地变为下图中的三项:最近一次登录、登录频率、在线时长。

消费指的是客户在店铺消费最近一次和上一次的时间间隔,理论上R值越小的客户是价值越高的客户,即对店铺的回购几次最有可能产生回应。目前网购便利,顾客已经有了更多的购买选择和更低的购买成本,去除地域的限制因素,客户非常容易流失,因此想要提高回购率和留存率,需要时刻警惕R值。

消费频率是客户在固定时间内的购买次数(一般是1年)。但是如果实操中实际店铺由于受品类宽度的原因,比如卖3C产品,耐用品等即使是忠实粉丝用户也很难在1年内购买多次。所以,一般店铺在运营RFM模型时,会把F值的时间范围去掉,替换成累计购买次数。

M值是RFM模型中相对于R值和F值最难使用,但最具有价值的指标。大家熟知的“二八定律”(又名“帕雷托法则”)曾作出过这样的解释:公司80%的收入来自于20%的用户。

这个数据我在自己所从事的公司中都得到过验证!可能有些店铺不会那么精确,一般也很会控制在30%客户贡献70%收入,或者40%贡献60%收入。

可以选择RFM模型中的1-3个指标进行客户细分,如下表所示。细分指标需要在自己可操控的合理范围内,并非越多越好,一旦用户细分群组过多,一来会给自己的营销方案执行带来较大的难度,从而可能会遗漏用户群或者对同个用户造成多次打扰。

最终选择多少个指标有两个参考标准:店铺的客户基数,
更多精彩尽在这里,详情点击:https://ouryoungteenmodels.com/,布鲁格曼店铺的商品和客户结构。

店铺的客户基数:在店铺客户一定的情况下选择的维度越多,细分出来每一组的用户越少。对于店铺基数不大(5万以下客户数)的店铺而言,选择1-2个维度进行细分即可。对于客户超过50万的大卖家而言可以选择2-3个指标。

店铺的商品和客户结构:如果在店铺的商品层次比较单一,客单价差异幅度不大的情况下,购买频次(F值)和消费金额(M值)高度相关的情况下,可以只选择比较容易操作的购买频次(F值)代替消费金额(M值)。

对于刚刚开店还没形成客户粘性的店铺,则可以放弃购买频次(F值),直接用最后一次消费(R值)或者消费金额(M值)。

常见的方法就是利用RFM模型的三个属性对客户进行打分,通过打分确定每个用户的质量,最终筛选出自己的目标用户。

比如,rfm模型实操的过程中一般每个指标分为3-5段,其中R值可以根据开店以来的时间和产品的回购周期来判定,F值根据现有店铺的平均购买频次,M值可参考上面客单价的分段指标。

「iDATA小灶」数据分析面试中的业务问题「iDATA小灶」数据分析师工作中新手常见的错误返回搜狐,查看更多

RFM模型:如何量化你的用户价值?

上篇文章介绍了用户体系搭建的思路,这里单独开篇给大家介绍如何量化用户价值。

在拓展市场初期没有思路的时候,市场和运营同事绞尽脑汁做活动、上新品、蹭热点、做营销,不断的拓展客户、做回访维系客户感情,除了少数运气好的之外,大部分效果寥寥。真正的用户没有几个,到最后都便宜了羊毛党。不同阶段、不同类型的用户需求点不同,有的客户图便宜,有的客户看新品,有的客户重服务,大包大揽的营销运营,最后的结果就是凉凉。

解决得分方法也很简单,就是用户精细化运营,通过各类运营手段提高不同类型的用户在产品中的活跃度、留存率和付费率。而如何将用户从一个整体拆分成特征明显的群体决定了运营的成败。这里介绍一个最经典的用户分群工具就是RFM模型。RFM模型是衡量用户价值和用户创利能力的经典工具,依托于用户最近一次购买时间、消费频次以及消费金额。

在应用RFM模型时,要有用户最基础的交易数据,至少包含用户ID,交易金额,交易时间三个字段。

:表示用户最近一次消费距离现在的时间。消费时间越近的客户价值越大。1年前消费过的用户肯定没有1周前消费过的用户价值大。

:消费频率是指用户在统计周期内购买商品的次数,经常购买的用户也就是熟客,价值肯定比偶尔来一次的客户价值大。

:消费金额是指用户在统计周期内消费的总金额,体现了消费者为企业创利的多少,自然是消费越多的用户价值越大。

基于这三个维度,将每个维度分为高低两种情况,我们构建出了一个三维的坐标系。

如果某个用户最近一次消费时间距今比较久远,没有再消费了,但是累计消费金额和消费频次都很高,说明这个用户曾经很有价值也就是RFM模型中的重要保持客户,我们不希望他流失,所以运营人员就会专门针对这类型用户设计召回策略,这也就是RFM模型的核心价值。

R值最近一次消费时间表示用户最近一次消费距离现在的时间,消费时间越近的客户价值越大。以上方式计算出的R值越大说明当前用户最近一次消费时间越远用户价值越小,而F值还有M值越大代表用户价值越大,三组数据不在同一个描述维度,而且R值、F值、M值存在量级之间的差距,无法直观的通过加减来衡量用户价值。

评分方式是根据三组数据各个值的特性,采用5分制为各个数据赋予一个评分值,R值的评分机制是R值越大,评分越小。具体评分的规则可以根据经验设定分值的给予区间,或者将数据平均分配成为5组,对应5个分值。

在基于三组数据对应的评分值来计算评分值的平均数,大于等于平均数的数据划到高的维度,低于平均数的数据划到低的维度,自然将三组数据每组分别划分为高低两组,交叉组合后就是我们上面说过的8种情况。然后在将三组数据对应的评分值做累加就是RFM总值了。

计算RFM总值时解决了不同量级数据相加时影响权重不均衡的问题。由于用户的交易行为中R值和F值相对较小,如果三个值不处理就累加,M值直接决定了总值的量级,R值、F值对总值的影响很小,无法体现出用户的真实价值。

可见M值4400直接决定了最后计算结果的量级,前面R值、F值对结果的影响基本忽略不计。采用评分制的方法后,将R、F、M值都映射到了1至5的区间之内,保证了各数据之间的可比性。

赋值指标的设定需要资深的业务经验,什么样的算高频,什么样的算高额都是经验,并且用户的消费数据是不断膨胀的,根据手动设定的划分区间无法随着数据的不断膨胀而自动适配,所以需要根据经验和数据反馈不断修正。

算法方式是根据数据特性将数据基于模型处理后量化用户价值,分划分高低维度、量化用户价值两步。

根据数据分布情况将数据分为高低两组,这里区分的方式一般采用四分位数(将一组数据由小到大排列并分成四等份,处于三个分割点位置的数值就是四分位数。处于正中位置的数字就叫做中位数,如果数组个数为奇数个,则中位数为排序后中间的一个数,如果数组个数为偶数个,则中位数为排序后中间两个数的平均数。),而不是评分制的平均数。

分位数相对于平均数应用场景更广,由于大部分数据都呈现长尾分布,80%甚至90%以上都集中在低频低额区间,少数的用户提供了大部分销售,采用平均数无法很好的体现数组的特性,长尾用户很容易被平均,

下面举个例子:土豪身价2个亿,屌丝产品经理身价20万,两人平均后,平均身价1个亿……

例子并不恰当,但是能看出在数据呈现长尾分布的场景中,平均数在很多场景并不合适,而采用四分位数时,可以根据数据分布情况,选择中位数、四分之一位数或者四分之三位数,然后高于则划分为高纬度,低于则划分为低纬度。

由于R值的大小和用户价值呈现反比,所以高于分位数的时候算低纬度,低于分位数时算高纬度。

首先解决R、F、M三值量级不均衡的问题,然后计算RFM总值量化用户价值。可将三组数据分别无量纲化处理映射至0到1的区间在合理放大然后相加。很多同学一听到算法就晕了,我挑选了这个方法中最简单的一种,只用到了我们初中所学的数学,逻辑非常简单,下面我为大家介绍min-max归一化。

上式中,min是数组中的最小值,max是数组中的最大值。只要将数组中的数据依次经过上述公式处理,最后发现原数组收敛到了0至1的区间之内,是不是很简单。

第一组源数据经过无量纲化处理后收敛至了0到1区间之内,可将不同量级的数据归一化至同一量级,归一化后的数据是一个位数极多的小数,而一般用户对于极小数和极大数没有直观的感受。

所以这里我把所有的数据同比放大了100倍,将源数据扩大到了0至100的区间,同时做了四舍五入,让数据可读性更强。经过这样的处理就将数据从原来不同量级无法直观对比,归一化到了0至100的区间,方便大家直观计算RFM总值。

公式中同样为了解决R值同F、M值统计维度不一样的问题,这里给R值乘以了负1,同时为了保证数据结果不会出现负数,又在最后加了100。这样处理之后保证最后的RFM总值落在了0至400的区间之内,让大家可以通过分值很直观的量化用户价值。

总之,RFM最终的目的就是帮助业务提高运营效率和产出价值,上述介绍了两种方法,一种通过经验人工划分出用户群体,一种通过数据挖掘,给与业务运营建议。

具体的业务应用场景还是以淘气值为例(均为个人猜想,如果哪里说得不对,还请留言告知,谢谢)。
更多精彩尽在这里,详情点击:https://ouryoungteenmodels.com/,布鲁格曼

是近12个月购买金额的综合分值。每一笔订单、每日、每月、每一类商品、每一个店铺,可获得的最高可得分都不同,另外,购买更多种类的、高信誉商家的商品可以得到更多分;

奖励分是近12个月内购买的商品类目数,反映真实消费体验的文字评价、带图评价、rfm模型追评、分享被点击数、问大家参与次数、购买成交天数、连续购买月数的综合分值。奖励分受购物分正向影响,购物分越高,奖励分越高;

基础分由当前信誉等级决定。信誉等级越高,基础分越高,并且可得购物分和奖励分的分数越高。

购物分围绕着用户的近12个月消费记录,奖励分则是围绕着用户的实际互动行为,包括评价、分享、参与次数等。这里特别强调一点RFM模型不仅仅针对消费数据,可以试试其他新的花样,比如:

分别设定了不同的权益针对性运营,在推出88会员的时候淘气值高于1000分的用户可以以88元直接购买会员。同时在淘气值页面看到了88会员中心【敬请期待】的页面,在结合88会员入口处【花小积分 兑大权益】的文案,相信未来淘宝会在88会员上有新的运营动作。

最后关于无量纲化处理的方法还有很多,我这里介绍了最简单的一种,喜欢研究的同学可以自行百度。

本文由 @萌面赵先生 原创发布于人人都是产品经理,未经作者许可,禁止转载。

算法方式中,通过四分位点已经可以把用户划分成不同的种类,那后面把它们去量纲化后,计算它们的评分的作用是什么呢?

在利用中位数区分单个维度的高低时,要根据实际情况以及数据质量决定是否去除异常值。

大部分数据是呈现长尾形态的,很多体验型客户可能互动时间在好几年以上,成交金额只有几分,或者累计只成交过一次,如果把这类型数据也考虑进来的话会导致高纬度区间直接包含了所有的活跃用户,导致分群用户特征不明显,所以在处理时,建议根据业务特性,将异常值或者长尾值先处理掉在进行分群。

为何要对RFM总值进行量化,而不是根据单独的R,F,M三个值在中位数的高低组合来进行分类。

何为量化?因为要明确,清楚,具体,而根据单独的R,F,M三个值在中位数的高低组合来进行分类不够具象。

1.R、F、M三个值的高低组合反馈的是用户的特征,然后针对特征制定运营策略;

2.如果用户量进一步扩大,而运营资源又有限的情况下,就需要对单一群体内的用户价值在量化,这时就需要用户总值了;

3.某些场景下可能需要针对总体用户池的用户做价值量化,单纯的高低维分组无法满足,所以同样需要RFM总值。

我们把腾讯、名创优品、猫王收音机、SheIn的实战派们聚在了一起,和你聊聊增长新方向

人人都是产品经理(是以产品经理、运营为核心的学习、交流、分享平台,集媒体、培训、社群为一体,全方位服务产品人和运营人,成立8年举办在线+期,线+场,产品经理大会、运营大会20+场,覆盖北上广深杭成都等15个城市,在行业有较高的影响力和知名度。平台聚集了众多BAT美团京东滴滴360小米网易等知名互联网公司产品总监和运营总监,他们在这里与你一起成长。