针对不同分层用户，运营策略要如何制定

在用户操作领域，有一个词叫做RFM，我相信很多人都看到过，可能会觉得更专业，没有继续深入；或者一些文章涉及Python和其他数据处理方法；或者因为这个词与电子商务密切相关，非电子商务运营合作伙伴选择放弃学习。今天主要分享RFM模型在用户分层精细化操作领域的应用方法和简单实用案例。RFM模型属于用户价值模型，在用户价值模型中有两个方向：一个是基于用户生命周期，即产品中时间和用户生命周期模型的增长路径，另一个是基于用户关键行为的RFM模型，这只是说用户价值模型RFM模型RFM模型的好处？当我们确定RFM模型时，我们可以决定哪些用户发送短信，加上前缀“尊敬的VIP用户”，哪些用户加上前缀“很长一段时间”。它还可以帮助企业判断哪些用户有变化，是否有损失的迹象，从而增加相应的操作动作。用途大，看下面。你可以在网上搜索RFM的科普，这里就不赘述了。先说三个字母的意思:R：最后一次消费（recency），代表用户距离当前最后一次消费的时间，当然是最后一次消费的时间距今越短越好，对我们来说更有价值，更可能有效的去触达他们。F：消费频次（frequency），在一段时间内，用户在产品中的消费频率集中在我们对一段时间的定义上。M：消费金额（monetary），代表用户的价值贡献。最早是将R、F、M每个方向定义5个档次，5*5*5=125个用户分类。对于大多数运营商和产品来说，这太复杂了。你不必知道为什么它们被分为5档。现在我们已经把R拿走了、F、M的每个方向定义为：高、低、两个方向，我们找到R、F、M的中值，R=最后一次消费，高于中值就是高，低于中值就是低。这是2*2*2=8种用户分类，如下图所示:因此，如果我们能找出产品中哪一类用户属于上述8类，我们就可以制定有针对性的操作策略。在构建具体的RFM之前，我再次强调RFM模型不仅适用于电子商务领域，也适用于其他领域。只要我们找到跟R、F、M相关数据字段，定义字段，证明这些字段是影响当前业务进展的最关键维度：R：最后一次登录，最后一次发布，最后一次投资，最后一次观看：浏览次数、发帖次数、评论次数M：充值金额、奖励金额、评论数、点赞数都在其他领域、F、M的定义，应根据实际业务情况进行评估。比如你是豆瓣的运营负责人，发现豆瓣图书板块的整体流量在过去一周下降了10%。同时，文学书籍类别下的共享帖子逐月下降了5%。你应该分析原因，选择相应的R、F、M的字段分别为：登录数、发帖数、互动数。比如你是豆瓣的运营负责人，发现豆瓣图书板块的整体流量在过去一周下降了10%。同时，文学书籍类别下的共享帖子逐月下降了5%。你应该分析原因，选择相应的R、F、M的字段分别是：登录、发布和交互。图书部分的整体流量下降可以理解为该部分的活跃下降，并查看过去一周的登录数量。分享文学书籍类别下的帖子下降5%，可以看看过去一周的帖子数量。同时，随着流量的下降，我们可以看到用户的互动(评论、收藏等)是否因为帖子质量的相对下降而下降，从而导致流量的下降。以我自己抓取的1w导购平台的一套数据为例，带你用最简单的方法在这套数据中构建用户RFM模型，找出这8类用户。RFM模型的构建步骤如下：捕获RFM模型、F、R三维度下的原始数据定义、F、M的评估模型和中值进行数据处理，获取R、F、M值参考评估模型和中值，为不同层次的用户分层指定操作策略(1)捕获R、F、在M的三个维度下，我捕捉到了最新的消费时间、频率和金额。如上所述，在进行各自的业务分析时，可根据实际情况选择R、F、M的数据字段。下表显示了1w条数据中的13条：（2）我用比例趋势图处理了1w条数据的最新消费时间、消费频率和消费金额。以消费频率为例，如下图所示：通过图表，我们可以看到1w条数据中有几个明显的消费频率故障，即：消费1次、消费2-5次、消费6-11次、消费12-17次、消费18次以上。因此，我将F值分为5档，F=1=消费1次，F=2=消费2-5次，F=3=消费6-11次，F=4=12-17次，F=5=18次以上。同样，在上图中，我发现了R值和M值5分别对应的数据范围。R=1=2天，R=2=3-8天，R=3=9-14天，R=4=15-22天，R=5=23天以上；M=1=600元，M=2=601-3800元，M=3=3801-6200元，M=4=6201-10000元，M=5=10001-15000元。我们得到RFM三个数据指标下的分类标准:(R值反向值，R值越大，用户价值越低；F值正值，F越大，用户价值越高；M值正值，M值越大，用户价值越大。）(3)计算每个数据下最新消费时间、消费频率和消费金额对应的1w条数据。、F、M值：上图的计算方法相对简单。我们在excel中写入if语句：单元格E2=if（B2>23,5,if(B2>15,4,if(B2>9,3,if(B2>)解释:如果B2大于23，A1用户对应R值=5，否则进入下一个if判断；如果B2大于15，则A1用户对应R值=4，否则进入下一个if判断；如果B2大于9，则A1用户对应R值=3，否则进入下一个if判断；如果B2大于3，则A1用户对应R值=2，否则进入下一个if库存。F值和M值的计算方法是一样的。F值和M值的计算方法相同。(4)R计算、F、每个人都应该知道M的平均值，直接要求和再除以项数。R（ave）=2.9，F（ave）=1.8，M（ave）=2.7(5)每个用户的R值和F值将有1w条数据、M值与平均值进行比较。如果高于平均值，则标记为高，如果低于平均值，则标记为低：对比高低值。使用简单的if语句：（6）每个用户的R、F、M值分别与中值进行比较，获取用户所属的类别表：每个用户的R值和F值、将M值与中值进行比较，判断高低，然后确定用户属于上述RFM模型8类用户中的哪一类。在这里，我们需要使用一个简单的if语句来判断。我们以A1用户为例，判断A1用户的用户类别：同时，我们点击excel中的“条件格式”，将文本中的“高”字设置为绿色，用“低”字设置“红”，更方便我们识别。到目前为止，我们已经在这1w条数据下对用户进行了完整和精细的分层。接下来，我们可以根据分层结果进行相应的操作策略。到目前为止，我们已经在这1W数据下获得了用户的完整和精细的分层。接下来，您可以根据分层结果进行相应的操作策略。（7）根据用户分层结果制定操作策略，制定操作策略，不仅要结合产品中各种用户的比例，还要结合产品的实际业务逻辑。以购物指南平台用户分层为例，制定以下策略：一些朋友在制定策略时，直接扔一堆不能称为策略“计划”，如“重要开发用户”，我给出的策略是“提高频率”，所有围绕提高频率的手段都可以尝试，而不是制定：发送push、优惠券、电话等方案，这些都是在战略支持下的操作手段。战略本身必须可以延伸和复制。除了上述根据用户类别制定运营策略外，我们还可以分析R值分布、F值分布、M值分布等1w数据。基于三个数值的分布和与中值的比较，我们可以在最近的消费时间、消费频率和消费金额维度下进行整体运营，从而提高站内用户的整体活跃度、整体流程和GMV。总的来说，RFM模型并不难，但有一些要点需要注意：在捕获原始数据时，我们必须结合实际业务选择关键数据指标进行分析，而不是最近的消费时间、频率和消费金额。在豆瓣案例中，上面也给出了豆瓣案例，R=登录数、F=发帖数、M=互动数。R值和F值的定义、当M值评估模型分隔数据范围时，本文描述的整体趋势不是一样的，因此可以找到明显的断档形式，也可以通过散点图、透视表、比例图等来判断。与此同时，除了通过数据发现断档外，我们还可以根据自己的业务和行业平均水平来发现临界点。例如，对于滴滴、易道等出租车软件，使用频率相对较高的必须是工作日。因此，如果分析滴滴的业务，F值消费频率的5个分类可以基于实际业务，每5天作为一个分类，分析近30天的业务业绩。例如，F=1=5天内，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率与这五个文件进行比较，以确定每个用户的F值计算中值。最简单的方法是本文中提到的平均值计算方法。除了平均值，还有28条规则，20%的用户创造了80%的收入。因此，这个临界点可以作为每个用户的R、F、M比较对象。对于更复杂的业务，您可以寻求程序员的帮助，并使用Means聚类算法进行精确的数字提取。除了本文中提到的三个核心业务指标的交叉分析外，有时我们可能需要同时分析四个或五个指标，或者只需要分析两个指标。因此，本文的计算方法不需要很死板地使用，要灵活，这里就不举例了。最后，我们应该回归运营。因此，不同层次用户的运营策略应结合实际情况制定。制定运营策略后，应结合公司现有资源和手段开展具体落地工作。建议您尝试本文的内容。

以上就是关于针对不同分层用户，运营策略要如何制定的相关介绍，更多针对不同分层用户，运营策略要如何制定相关内容可以咨询我们或者浏览页面上的推荐内容。我们将让你对针对不同分层用户，运营策略要如何制定有更深的了解和认识。