体验设计中的RFM用户价值分析

在当今的互联网电商及零售业中，将用户数据做为立论的根据逐渐成为标准模式，无论是销售、运维、产品验收、体验优化，各岗位都需要用户数据表征做为是否起效的衡量标准。但是，对于数据的解读方式存在大量偏差，不同的立场、逻辑、分析方式导致同样的数据可以看图说话成完全不同的结论。

体验设计做为用户研究方面的专业学科，对这个结论的正确性及启迪是有极高依赖的。如果设计师自身缺乏系统性的、灵活的用户数据解读模型，将会容易陷入或片面、或死板的结论中，对于接下来的设计制作是缺乏指导价值的。

Hughes于1994年推出RFM模型，用于分析客户价值和有效/特征用户细分。至今已使用20多年，仍然是优化服务、体验的有效方法。虽然它本质上是一款销售方面的客户价值模型，但灵活的参数配置所衍生出不同维度的应用模式，使其经久不衰，逐渐抽象成一种用户分析思考框架。仅需要一点统计学常识，就能够帮助体验设计师灵活找到不同特征客群的切入点，提供投入产出比较高的设计见解。

一、RFM模型介绍：

宏观前提是博弈论中的重要概念，帕累托最优（Pareto Optimality）。是指资源分配的一种理想状态，一个比较好理解概念就是28原则，80%的收入来自20%用户。这个理论的指导作用实际上受限于条件：资源有限，维护更广客群的边际效益低。这也恰恰是最现实的情况，那么有限的资源倾斜到哪些客群能够得到最高的投资回报率呢？或者资源配置该如何随着客户分层释放？于是RFM首先解决了客户精细化分层，帮助我们去了解优质的客户有哪些，建立评价标准，全局化的辅助业务判断应该投入哪些目标客群。

R（Recency）: 用户最近一次消费至今的时间长度，反映了用户当前的活跃状态。

F（Frequency）：用户在一定时间内的消费频率，反映了用户的忠诚度。

M（Monetary）: 用户在一定时间内的消费金额，反映了用户的购买能力。

以RFM在销售方面的应用为例，关键行为是购买，将用户数据中R、F、M3个字段首先抽取出来，

然后为其制定打分规则，进行分箱。比如过去1天购买过定为5分，过去1周购买过4分，过去1月购买过定为3分，过去3个月2分，其他1分。计算参考值可以是平均值、中位数、标准差等，以平均值为例，计算每个用户的得分是高于平均还是低于平均，高于的赋值为1，低于的赋值为0。

我们就得到了一组分析，比如：A用户RFM三维是101，该数据表征的含义是说，A用户近期有消费，平均消费额也高于总体水平，但是消费频次低于平均（总体人群平均消费频次为3分，该用户是2分，所以低于记为0）。

同理，对于这种常用8种用户分别描述总结：

需要注意的是阀值的设定需要根据业务环境来，或适应更多用户得到更多样本，或强化特征仅调出小部分人，然后随着业务发展也需要经常动态调整。

二、为不同目标服务的两套宏观对策：

简单的二分我们可以看到，如果头部用户以高营销额为目标，和腰部用户以交易活跃目标，需要选择不同的发力策略。

1.以营销额为目标：重点维护消费额度高（M=1）的类型。尽量提供更精准的偏好商品、多元化服务、有价值的功能、竞品排他性来提升用户忠诚度，进而促进近期购买或购买频次。目标是提升总体营销额。

2.以消费活跃度为目标：消费额度低（M=0）的类型，在确定不是VIP潜客的前提下，通过社区化、内容化生态，消费行为之外提供多种可参与、可表达的途径，以免费、试用、优惠、传播、话题、游戏等手段努力对抗用户兴趣曲线的衰减，维系高频低额的用户消费模式。

三、时效性会影响忠诚度阶梯的上升关系：

本质上，所有RFM分布带来的客户分层都可以由重要价值客户（111型）衰减而来。需要不同的设计策略支持来优化对策，下面给大家介绍几种递进关系，以及对应合适的设计方法。

1.重要价值客户（111型）的近期行为随时间累积降权后，逐渐衰减成唤回客户（011型），如果频次进一步稀释最终变成挽留客户（001型）。这条链路适合通过服务设计对VIP进行多通道维护，满足定制化需求、稀缺性商品和服务、让用户保持较高的满意度及体验归属感，是提升频次的关键。

2.深耕客户（101型）则是一个利好信号，它和挽留客户（001型）区别仅在于一次近期消费。基于统计得到101的结果，首先证明了商品种类覆盖是匹配该类客户需求的，以场景化设计策略将关联商品、相似商品、上下游副产品、周边等全套串联起来，设计重心放在商品透出与用户认知排序。其次，说明某些唤回方式自然起效了。进行用户研究，找到这个触达的方式，收束共性，最后通过设计强化唤回。

3.潜力客户（110型）最为复杂，需要积累大量数据样本和长周期观测才能下结论。如果仅是购买力没有被激活，可能是来自品牌影响力不足，也可能是整体价值认知需要培养，该类用户多做为VIP潜客做为培养，需要创意设计、品牌设计、心智培养、育成规则或玩法共同发力，最终提升为重要价值客户（111型）。另一方面，如果消费额度低（M=0）是确定条件，则需要换成日活型用户对策。通过游戏化设计策略，提供更多及时可参与、免费试用、概率玩法、自传播减免等参与性功能来承接，保证频次（F=1）的前提下，联合中心化活动的方式刺激近期购买（R=1），最终上限维持在潜力客户（110型）。

4.新客户（100型）的大部分增量多由大型活动、话题爆发、玩法模式带来，思考的重心是可持续性。以大促周期为例，购买行为通常在大促当日爆发，突然增加许多（100、110、111型）用户，然后大促一过被时间稀释，其统计结果全部衰减成为 00X 类型，我们称这种衰减现象为”退潮状态”，处于退潮中首先自然流失的就是新客户（100型）。所以对活动的创意内容会有比较高的要求，其创意内容要能够延续心智，或扩展到日常成为降级的系列化内容。

四、模型扩展，RFM的延伸：

在初始RFM模型中增加一个额外的变量可以放大其对客户行为的可预测性。为了识别公司最忠诚的客户，只需将客户关系长度（L）添加到RFM模型，即可扩展客户群的可靠性和准确性。L-RFM模型比RFM模型更有利于客群识别。另一个是折扣系数C（Costratio），通过RFM-C模型我们能够比较容易的观测到这个群体对于打折信息的敏感度和偏好。

L（Lifetime）: 从用户在这里第一次消费算起至今的时间，代表了与用户建立关系的时间长度。C（Costratio）：用户在一定时间内消费的折扣系数，反应了用户对促销的偏好性。

L-RFM-C带来更多的分析维度，以满足分层策略制定的需求：
当用户群的特征为消费额度低（M=0），折扣敏感度高的时候，使用减价折扣等常规销售手段，配合玩法可以大概率提升RF两维，使冬眠用户（000）在固定周期内，转化成为新客户（100）或潜力客户（110）。

建立关系的时间长度，可以帮助识别用户的忠诚度。增加建立关系长度参数（L=1）以后，同样表现为高频购买用户（F=1）的含金量是不一样的。或者，客户维系方面，一些高价值用户正逐渐失去活跃度是非常紧急的问题。此时关系时长L越长，说明被放置的时间越久，失去的概率就会越大。

五、RFX的自定义参数：

其实个人在使用这个模型的过程中，核心并不是为了遵循标准的统计学方法得到立论的”证据”，更多是希望从这种象限思考中得到启迪，来进行敏捷性的用户量纲化分层，轻成本指导设计决策。

模型的本质就是 “关键行为的近度R，关键行为的频次F，与关键行为X ”之间的分类，它可以广泛应用到各种用户精细化分层，最常用的会依照所选参数划分成8种类型（见上图1），但最终对我们有启发的、或统计分布密集的可能只是其中2-3种。

基于RFX参数的自定义，可以简单的量化多样的客户行为：

RFT（近度，频度，停留时长）此处的T可以是用户在当前页面的停留时间，校验商品个性化准确度和栏目区块之间的协同能力，甚至浏览路径是否通常。帮助优化阅读体验，辅助内容型产品对内容陈列顺序做取舍等等。

RFU（近度，频度，使用次数）CTR转化、跳失、功能使用率等，赋予互联网传统分析维度以时间系数，重新审视流量分发、交互设计、认知心智构建的合理性。

通常团队考虑到边际效应，会依照目标或现有架构人力配置去选择其中几种客群进行倾斜资源。当设计师通过RFX定义好问题，推导出客群特征，就可以有的放矢的对该类型用户进行定向调研，分析行业内现有对策，再结合所属环境优势，拟订出具有最佳适应性的体验设计策略。

结语：

随着设计行业的发展，在规模化和影响力的要求下，我们不仅需要产出个性化适配不同人群的设计决策，又要对实现成本进行控制。意味着从事体验设计这门杂糅型专业的设计师，需要统筹考虑的范围越来越广，具备的知识结构也越来越跨界。

曾经与设计间接相关的统计学、认知心理学、销售策略等，慢慢变成直接相关。希望更多的设计师能够将跨学科的应用工具抽象成思考方式，为大家增添羽翼、共同成长。就像RFM的配参的灵活性，使其简单又富有成效，帮助大家在用户研究方面提取可靠的见解。

有兴趣详细了解分箱、参考值设定、使用RFM快速工具等，系统的学习是避免不了的。如果仅以思辨性启发为目标，最快的方式还是找到一位统计学伙伴进行协作：）

参考资料：RFM Analysis For Successful Customer Segmentation , Anish Nai