“互联网+”
技术服务解决方案提供商

18638179199
”互联网+“
技术服务解决方案提供商

新零售平台用户运营之RFM模型定义与分析

Elasticsearch
现实与梦境 2020-03-15T12:12:02.000Z
208 0 0

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
20200315212702.jpg
20200315222013.jpg

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
20200315213012.jpg

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。
gh_06a487d23834_258 1.jpg

0
0

点击展开全文

0/200

全部评论

    查看更多