RFM模型参数解释
- R：最近一次消费距今天数(Recency)
- F：消费频率(Frequency)
- M：消费金额(Monetary)
最近一次消费
用户上一次购买的时间距离当前（或以观察期作为参照时间）有几天，距离天数越小则R值越大
消费频率
用户在平台实际消费产生的订单数，参考时间可以为用户整个生命周期内（或以观察期作为参照时间），消费次数越多则F值越大
消费金额
用户在平台实际消费金额，参考时间可以为用户整个生命周期内（或以观察期作为参照时间），消费金额越大则M值越大
RFM规则定义
1.定义观察周期，可以对一定时间段内用户数据进行分析
2.定义R值，F值，M值最大值和最小值
3.分别定义R值，F值，M值取值范围，并对每种范围值和用户数据进行映射，比如最近消费距离当前时间天数，0-1天为R值最高值5，2-34天R值为4，以此类推。当然这些值需要结合自身系统数据进行计算。
下面列出我们公司产品的定义规则进行参考和方便理解
RFM和用户画像
RFM本身就是用户画像的一种，这里联系到了用户画像的定义，用户各种行为产生的数据需要有一个载体，就是用户画像，当然用户画像数据越充实则对用户的定义越准确。
用户画像定义
1.RFM类
需要把上面定义的RFM值对此类标签进行关联
比如定义重要价值客户标签，取值范围R值:3-5 F值:3-5 M值:3-5
2.身份象征
3.生活方式
4.消费行为
5.社交行为
6.商品偏好
除RFM标签外，其余标签可以以下图作为参考
用户画像的应用
一、把商品和标签进行绑定
绑定商品的目的大致分为两种
1.一种用于用户画像的采集，比如用户浏览商品就把商品所含的标签挂载到此用户身上，并把标签值+1，如果用户购买此商品则把对应的标签+10，或者在系统内做更多的埋点惊醒数据收集。
2.第二种则是对此商品进行针对性的营销，比如此商品包含VIP用户标签，限制只有包含VIP用户标签的用户才能查询和购买，那么就可以对所有VIP用户进行精确营销推送。
二、用户所需内容的精确推送（千人千面）
随着用户画像的逐渐完善，那么运营数据对目标用户的推送责更准确，可以利用elasticsearch对商品列表进行动态打分排序，与用户关联度高的数据排在前面。营销广告的推送，针对不同用户展示不同的活动信息等等。
用户运营要素理解
一、给什么人？
这是我们做好用户运营的第一步
1.用户属性
用户的性别、年龄、职业，地区等等
2.用户行为
用户做了什么，比如用户的浏览、购买等都是用户的行为
3.用户偏好
用户偏好是基于用户以前的浏览、购买等行为，给用户打上不同偏好的标签，进行了用户偏好关联后，可以对用户画像进行更精准的描绘。
4.用户状态
用户状态是指根据用户活跃的程度、具体活跃时间等进行划分。比如说常见的60天以上未活跃的用户就可以将其定位为流失用户，30天内活跃了一两次，我们把他定位成低频用户，30天有7天以上活跃记录，就是一个高活跃用户等。
二、怎么给？通过什么方式？在什么时机？
用户标准购买流程：进入首页>找到心仪商品>进入商品详情页>注册/登录>下单，填写收货地址>完成支付，我们可以在每个流程节点做埋点收集数据，通过用户画像对用户进行喜好商品推荐，对活跃度低和流失的客户进行福利发放和活动消息推送，提高活跃度和留存。
下面附上我们的产品（悦邻精选）如果对我们的产品感兴趣可以持续关注我们，我们会定期分享相关文章。
