RFM模型的搭建细节以及适用场景有哪些？( 二 ) 覆盖|规模|数字化|诊断|工业企

这种方法个人觉得比较简单易行，比较推荐。
关于偏态分布（以右偏为例）下，众数、中位数、均值有以下关系：
除了用统计量直接作为阈值外，第三种方法，也是市面上看到比较多的方法，就是打分法。
所谓的打分法，就是先将原始的R、F、M数值划分为1~5的分数，然后求分数均值，作为划分阈值。例如下图：

文章插图
这种方法吧，挺忙活，又是打分又是求均值的。但我个人不太建议。一方面，原本只需要计算一个阈值就好了，现在需要先划分成5段，那这5段该怎么划分才合理呢？其次，这种打分的意义在哪，还增加了计算复杂度。
如果是解决异常值或者分布不均的问题，用分位数的方法就好了，我并没有太想明白市面上大行其道的打分法的意义在哪。我想到了一种可能，就是打分为了使三个维度可以在同一量纲上，进行衡量，以此可以计算一个用户的综合RFM得分，进行综合得分的排名。如下图：

文章插图
如果是这样，那我觉得，是不是用打分法就主要依赖于模型目标了。若为了划分为8个离散的用户层，就没必要打分；若为了求用户的综合RFM得分，需要打分。除此之外，我确实想不到打分的意义了。希望大神指点。
4. 用户分层计算经历了上面不同阈值划分方法的纷争，下面就比较顺畅了，那就是用户分层的计算。
这一步比较容易理解，直接根据定好的三个阈值，判断每个用户属于哪个区间，然后打标即可。不赘述了。
5. 模型优化所谓的模型优化，主要还是在于阈值的调整。
要随着最终划分的人群以及相关的运营效果、活动规律，调整阈值的设定，最终达到一个最合理的划分。
三、RFM模型的优缺点本文开头也提到了，RFM模型的应用广泛，是有很大优点的，但缺点也是不少，现在来和大家一起探讨一下。
1. 模型的优点最大的优点，应该是数据的可获得性。
目前在互联网中，基本对于数据的收集做的还是比较完备了，采集了用户的各种行为数据等，可以更好的进行用户打标签、分层的操作。但是在传统行业中，没有太多的行为数据，其实能用的数据比较有限。
但是，无论公司的数据做的有多不完备，也一定是有成交数据的（除非这个公司没收入……）。只要有成交数据，就能进行RFM的分析，这是最大的优势。而且，基于成交数据做的RFM模型，还是比较有效的。
其次，模型的分层可解释性强。
其他很多算法模型、机器学习模型，往往通过聚类进行用户的分层，对于业务来讲，不是很好解释。但RFM模型分成的8个用户类别，是非常好理解的。
2. 模型的缺点RFM模型其实是滞后性的分析模型，只有当用户发生了购买行为后，才能进行RFM的分析。而且模型的前提假设就是用户的前后行为是无差别的。
另外，使用该模型需要注意的是，不同行业的应用，是有差别的。
最典型的是就是快消品和耐消品的差别。对于耐消品而言，RFM分析并不是一个很行之有效的模型。例如冰箱的购买，用户购买一台冰箱后可能十几年都没有购买了，这是没办法用RFM分析的。如果强搬硬套，是没有任何意义的。
以上是今天和大家分享的内容，欢迎大家继续关注~
本文由 @冬至原创发布于人人都是产品经理，未经作者许可，禁止转载。
【RFM模型的搭建细节以及适用场景有哪些？】题图来自Unsplash，基于CC0协议。