首页 物流新闻 传说中的“大数据杀熟”是怎样做到的?—— RFM 模型了解一下

传说中的“大数据杀熟”是怎样做到的?—— RFM 模型了解一下

本文合适谁阅览?1. 一切产品司理,本文会解说怎样数据驱动,轻松了解你的用户。2. 任何想要了解「大数据」的同学,不明白任何技能,也能快速了解怎样运用大数据做剖析。 身边总有人觉得…

本文合适谁阅览?
1. 一切产品司理,本文会解说怎样数据驱动,轻松了解你的用户。
2. 任何想要了解「大数据」的同学,不明白任何技能,也能快速了解怎样运用大数据做剖析。

身边总有人觉得『大数据杀熟』是个十分复杂的东西,恰恰相反,它十分简略,只需求运用 RFM 模型对你的用户进行剖析,就能进行"杀熟",你不需求懂一行代码,往下看,就知道它是怎样做到的。





一、用户标签和用户画像



这篇 blog 的初衷是,和咱们一同经过 RFM 数据剖析模型来评论一个问题:



怎样用数据驱动办法来了解用户


业界的遍及答案是:用户标签和用户画像。


下面让咱们经过 RFM 剖析模型来了解「用户标签」。




二、RFM 模型



RFM 模型其实由三个单词组成,分别是:


  • R 值(Recency):

    指最近一次消费时刻,一般取一段时刻周期内最近一次消费时刻到当时时刻的距离


  • F 值(Frequency):

    指用户在一段时刻周期内的消费频率,比方在最近 60 天内计算用户的消费频率


  • M 值(Monetary):

    指用户在一段时刻周期内的累计消费价值,比方消费金额,创立运奇数等





三、用户标签


那首要第一个问题:这三个值怎样做用户标签呢?


//  一维标签


拿 RFM 中的 F 值来说,直观上先有这样的假定,用户消费频率越高越忠实






所以假定标签体系中有如下标签界说:

RFM - F 值用户标签界说



RFM - F 值标签示例



这个比方便是经过对「最近 30 天内的用户的剁手天数(消费频率 F 值)」目标进行「规矩判别」,从而给用户打标签的办法。


又比方在生鲜超市职业,可所以「用户在最近 60 天消费频率大于 50 天算为高频用户」,由于人们不或许不吃不喝,理论上每天都有购买生鲜需求;


而在 NBA 赛事直播的流媒体职业,则可所以「美国用户在最近 180 天(一个赛季)内看NBA竞赛直播次数超越 60 次为高频用户」,这是由于大多数美国用户只看自己支撑的球队的竞赛,最极点的状况是支撑的球队打满一个赛季 82 场,趁便说一句「湖人总冠军」。


//  二维标签


那咱们再加一个维度,将频次和金额组合,就构成了一个二分类矩阵,看个栗子:



那它对应的标签界说就可所以:

RFM - 结合 F 值和 M 值用户标签示例



//  三维标签


说回到 RFM 模型,聪明的同学应该想到了,RFM 模型便是三者的结合,构成一个三维的直角坐标系


在实践中,一般是依据事务状况挑选比较重要的几种 RFM 标签,比方图中未标色部分用户,会被归类为「其他价值用户」等。

针对不同RFM价值标签的用户,能够采纳不同的运营战略,比方关于「重要款留客户」,应该采纳邮件、短信、音讯推送等战略做用户召回;关于「重要开展客户」,应该将重心放在进步用户消费次数上。





四、举个栗子

说完了理论,咱们来看个实践比方了解一下吧。Aftership 有一个世界产品 Postmen,首要协助海外商家方便快捷地发快递。

结合 Postmen 实践的事务场景和 RFM 形式,咱们在做用户标签时,有如下界说:

  • R:最终一次创立快递面单的时刻

  • F:最近 30 天内,创立快递面单的天数

  • M:最近 30 天内,创立快递面单的数量

或许有小伙伴会有疑问,为什么 M 值在 Postmen 是「创立快递面单的数量」,而不是金额?

举这个比方恰恰是为了阐明:RFM 模型自身具有适当的灵活性,RFM 三个中心衡量价值的目标是能够依据职业和产品不同进行调整的。





五、RFM 取数周期和标签规模怎样界定?


其实还真没有一个标准答案,原因就如上面所讲,不同职业的状况不一样,需求具体剖析。
比方关于传统零售或许生鲜职业,一般取最近 30 天;
关于体育赛事 OTT 职业,一般取的是赛事周期的整数倍,比方 NBA 和 NCAA,取的是最近两年进行比照。

别的,或许的疑问是,标签规模怎样界定呢?怎样断定凹凸?这个却是有不少的办法:


  • 平均值比照法:

    比方高于一切用户的平均值便记为「高」,低于平均值为「低」,这是最简略的分法


  • 二八准则法:

    其实是在「平均值比照法」基础上晋级,将用户的消费特点依照次序排列,取高于 其他 80% 用户为「高」,「低」为剩下 80%


  • KMeans 算法发掘法:

    前面两种办法本质上是「依照必定的次序进行分桶计算」,其不足之处是分桶鸿沟比较固定,关于不同数据密度的状况,固定的鸿沟处简单失掉圈定大部分用户的才能。所以也有不少企业选用 KMeans 聚类算法发掘标签鸿沟,由算法发掘出不同的圈层。关于这个算法又能够写不少文章,在此就不打开,感兴趣能够 Google 之。





六、RFM 模型优下风


RFM 模型便是一种
用三个分类维度找出断定规矩去界定用户价值
的剖析办法,
本质上是经过买卖数据反推用户价值。

所以其优势也特别显着:


  • 没有数据收集问题:

    由于买卖数据是任何职业都会保存的中心数据,也就处理了一切数据剖析最大的阻止 —「数据收集」的问题,不需求埋点、具有自己的网站就能上手。

  • 模型简单了解:作为入门级的数据剖析办法,被包含传统零售职业、商超、电商和流媒体OTT等职业广泛运用。

可是其下风也是很显着的,这是由于这个模型的几个维度是根据很强的假定的:

  • R 值:用户离得越久越有丢失危险

  • F 值:用户消费频次越高越忠实

  • M 值:用户消费金额越多越有价值

可是细想一下:这三个假定关于任何职业都建立吗?

就拿 F 值来说,观看 NBA 赛事有不少用户是「事情驱动型」的,每个赛季只要总决赛才会看,那一年中的消费频率必定不高,且只会集在某一段时刻。

而拿 R 值来讲,并非用户离得越久越有丢失危险,比方果粉的消费距离时刻是跟着 Apple 的「产品更新周期」来走的;又或许像购房、购车或家具大件耐用品,或许用户一辈子也就买几回,相同 R 值没有意义。

经过数据来了解和接近用户,优化产品和寻觅新的立异点。


/ 关于 AfterShip/

AfterShip 是一家建立于 2012 年的总部建立在香港的世界化公司,在深圳和香港具有产品研制中心,为全球超越十万家 B 端客户供给包含营销推行服务、面单打印、物流盯梢和退货办理等的一系列电商 SaaS 服务,是世界物流查询范畴里边的龙头企业,当时也推出了两款面向 C 端用户的 Mobile App 产品。


公司自 2014 年起已完成继续盈余,且每年 100% 增加。事务遍及全球,与全球 700 多家物流公司达到协作,触及 30 多种干流言语,客户包含有 Amazon,Wish,eBay,Paypal,Groupon 和 Etsy 等。


咱们以产品为驱动,技能为中心,从公司建立开端,便很多运用优异开源软件,拥抱立异科技,公司有杰出的 SaaS 付费习气,稠密的东西化和工程师文明。


一同重视人才培养,在这里作业,每个人都可参与从用户交流、需求评论、产品开发到上线布置的环节,团队世界化,公司事务快速开展,咱们需求很多的人才参加咱们,咱们能供给生长为面向未来的世界化复合性人才的空间和时机。



欢迎参加咱们,一同尽力,一同生长~


本文来自网络,不代表快递资讯网立场。转载请注明出处: http://www.llaiot.com/logistics-news/2929.html
上一篇
下一篇

为您推荐

返回顶部