RFM模型的分析

1.如何通过外卖订单数据，分析用户的基本属性；
用户的订单上都有订餐地址，通过对于订餐地址的统计，我们可以查询到不同条件组合下的用户分布，甚至能知道喜欢某道菜的用户都在哪里。类似的用户数据挖掘，还可以根据复购构成、复购用户跨平台使用情况、性别组成做更精细化的分析。



值得注意的是，数据平台间的差异还是蛮大的，除了跨平台分析也需要分平台对比，有利于针对不同平台做出不同的营销策略。



上面这些最基本的用户属性对于精细化运营还是不够的。 因为这些信息无法帮助你解决下面四个问题——
1.谁是我的重要价值客户，他们都有什么特点？
2.谁是我需要重点保持联系的客户，他们都有什么特点？
3.谁是我的重要发展客户，他们都有什么特点？
4.谁是我的重要挽留客户，他们都有什么特点？
想要解答这个问题，我们需要动用更高阶的分析模型，去挖掘有效信息。
2.如何通过RFM模型，为用户分群，实现精细化运营
RFM模型是一个被广泛使用的客户关系分析模型，主要以用户行为来区分客户，RFM分别是：
R = Recency 最近一次消费
F = Frequency 消费频率
M = Monetary 消费金额
需要详细了解以上三个指标定义的，可以去戳度娘，教科书式的RFM区分，会将维度再细分出5份，这样就能够细分出5x5x5=125类用户，再根据每类用户精准营销……
显然125类用户已超出普通人脑的计算范畴了，更别说针对125类用户量体定制营销策略。实际运用上，我们只需要把每个唯独做一次两分即可，这样在3个维度上我们依然得到了8组用户。



这样，之前提的四个问题，就能很容易被解读（编号次序RFM,1代表高，0代表低）
重要价值客户（111）：最近消费时间近、消费频次和消费金额都很高，必须是VIP啊！
重要保持客户（011）：最近消费时间较远，但消费频次和金额都很高，说明这是个一段时间没来的忠实客户，我们需要主动和他保持联系。
重要发展客户（101）：最近消费时间较近、消费金额高，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。
重要挽留客户（001）：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当基于挽留措施。
3.如何在BDP个人版上建立RFM模型，帮助用户分群
这时候可能会有朋友问了，天啦，你这个三维模型，我没办法用BDP来建表格了。所以我们需要做的是将三维模型二维化，我们将R域切一块出来（即在近30天有复购的用户中做分析），压扁了就会看到。
上方的表示或许还是太学术了，简单的说
第一步：先挑出来近1个月的复购用户。
第二步：近1个月内复购用户的平均实付金额做纵轴。
第三步：近1个月内复购用户的购买次做横轴，生成表格。
第四步，你需要自己在这个表格上划红线。
横着的红线，代表着你认为来吃饭的客人平均每餐该花多少钱，我这里设定的值是25元，叫外卖25都没付到，对我而言是低消费金额（低M）用户。
竖着的红线，代表着你认为复购多少次的客人，是你的高频用户。外卖点餐流动率很大，一个用户每个月能在一家店点三次以上的菜，对我而言即是高频。
这样，BDP个人版上的RFM模型就建立好了。这个RFM模型在实操时有什么用呢？举个例子
比如对圈用户群发短信转化只有不到1%时，你可以用RFM做个分析，只选取R值高的用户(最近2周到最近一个月内消费的用户），转化率可以由1%提升到10%。
这也意味着，以往6元/订单将下降到0.6元/订单。掌柜们是愿意花600元给10000个用户发短信，得到100个订单，还是愿意花48元给800人发短信得到80个订单，相信大家一定会选后者。
而整体的RFM区分，则能够帮掌柜们针对不同的用户发不同的短信，短信的开头是用“好久不见”、还是用“恭喜你成为VIP”，就得看时重要保持客户还是重要价值用户了。只有能区分用户，才能走向精细化运营。