锐融天下：RFM模型在数据营销系统中的应用

众所周知，数据是企业重要的无形资产。对于企业而言，无论是电商平台，还是线下商城，在业务中很容易积累大量的数据，包括会员注册数据、浏览数据、购买数据等，如何运用这些数据进行二次营销，使数据发挥更大的价值?锐融天下认为，合适的模型、先进的技术、易操作的系统是营销的重要因素。

锐融天下通过市场调研发现，目前市面上有很多营销类的系统，这些软件可以粗略地分为两类，一类基于会员系统开展营销活动，在这类系统中，营销活动作为一个重要的功能模块，操作员可以选择活动形式、配置活动并进行活动管理。另一种是基于更广泛的数据源进行智能推送，数据来源包括业务系统、会员系统、导入的数据以及通过更多渠道获取全域流量。后者在数据颗粒的要求更加细化、对于规则的制定更为严谨、对于模型和算法依赖性更强。

笔者认为，对于已积累了一定流量的企业和平台而言，建立并优化模型和算法有利于最大化发掘数据的价值。从模型的选择来看，不得不提到RFM模型，这一被很多企业和平台采用的模型，它是对用户进行分群、评定用户价值的重要方法。

在这个模型中，需要关注三个指标，即R(Recently)最近一次的消费时间间隔，F(Frequency)消费频率和M(Monetary)消费金额。R值越小，说明用户越活跃;F值越大，说明用户越忠诚，M值越高，说明用户的购买力越强。将这三个指标进行组合，可得到八种不同类型的客户。如果三个指标都高，即为重要价值客户;三个指标都偏低，则为一般挽留客户;R值、M值高，F值低，说明近期进行了较高的消费，但是频率不高，这种客户为重要挽留客户等。对于不同的客户群体，可以采用不同的营销策略。RFM模型如下图：

如何利用RFM模型进行数据分析呢?

首先，怎么确保进行RFM分析的数据是有效的呢?需要对选定字段下的数据进行清洗，包括处理缺失值、重复值、异常值等。不同的行业、企业对于异常值的定义可能不同，对应的，在数据处理的系统中，可自定义异常值的规则将满足很多企业的诉求。

第二，如何定义RFM三个指标的高和低?需要确定模型的标签和规则，并按照这个规则进行打分。比如最近一次消费间隔2天以内，消费频率在2-3次，消费金额1000元以上，可得最高分5分，依次类推，确定其他规则下的分值。确定规则后，找出不同用户对应的RFM分值，可以选择平均值作为参考来标记RFM值的“高”或者“低”，进而确定用户的价值类型。

第三，针对不同类型的营销策略呢?通过RFM模型已然进行了用户分群，对于消费频率高的用户可以采用奖励的方式，如消费返券、拉新有礼等，进一步增强黏性。

先进的技术可以有效提升RFM分析的效率。比如机器学习越来越多地应用在数据处理中。其中Mahout可实现数据挖掘、聚类、推荐等;MLlib作为函数库，涵盖众多机器学习的算法，可实现分类、回归、聚类和协同过滤。

此外，在系统应用层面，笔者认为，数据分析的维度、系统可操作性是影响系统使用体验的重要因素。关键事件分析、漏斗分析、用户生命周期分析等是很多企业关注的维度。要实现这些维度的分析，标签的创建和维护、规则的制定等功能必不可少。同时，笔者发现，一些数据营销系统在系统可操作性方面还有很大改进空间。过于技术化的指标字段、算法描述不利于操作员的理解和使用。

如果把大数据营销比作一列火车，RFM模型便如同列车的坐席，就坐的是不同的用户群体;机器学习等技术便如同燃料，支撑着列车高速前行;营销系统则如列车的操作盘，实现可视化的操作。我们有理由相信，未来，营销活动将越来越多地依赖数据，不仅仅是“大数据”，更是“精数据”。

免责声明：市场有风险，选择需谨慎!此文仅供参考，不作买卖依据。

关键词：