編輯導語：現(xiàn)在企業(yè)的獲客成本越來越高，用戶數(shù)據指標對于每個企業(yè)都是至關重要的指標，如何通過RFM模型可以幫助我們更了解用戶，實現(xiàn)更精細化的策略設計？作者利用RFM模型和數(shù)據分析對業(yè)務問題進行拆解分析，一起來看看。

現(xiàn)在互聯(lián)網企業(yè)的獲客成本越來越高，而用戶的激活、轉化、留存對于任何互聯(lián)網企業(yè)都是至關重要的業(yè)務指標。通過RFM模型可以幫助我們更了解用戶，實現(xiàn)更精細化的策略設計，下面我將通過一個案例分享如何利用RFM模型及數(shù)據分析拆解并解決業(yè)務問題。

案例背景：2019年“雙11”結束后，某店KPI未達成。經過初步分析，11月11日首次交易的新用戶數(shù)量可觀，KPI缺口可能與已購用戶銷售表現(xiàn)不佳有關?，F(xiàn)在需要找到問題的原因，并給出改進建議。

問題分析：回購率下降分析。

明確問題：

• 首先“雙11”是一場典型的短周期大促，售賣時間只有“雙11”當天，要使用的是大促回購率指標。
• “KPI缺口可能與已購用戶銷售表現(xiàn)不佳有關”，說明分析對象是“雙11”前已在店鋪中有過購買的用戶。
• “已購用戶銷售不佳”，是指2019年“雙11”和歷年“雙11”對比，發(fā)現(xiàn)2019年“雙11”用戶回購率下降，要找到下降的原因。

原因分析：

• 用多維度拆解分析方法拆解用戶；
• 用對比分析方法對比不同層次用戶的回購率變化，縮小目標范圍后繼續(xù)拆解與對比；
• 使用假設檢驗分析方法確認原因。

大促回購率怎么計算：

取大促前一段周期內購買的用戶為監(jiān)測對象——基數(shù)人群，計算他們在本次大促購買的比例。

具體到本次分析，由于該店在日常短信等溝通渠道主要觸達近兩年的購買人群，就以“雙11”開始前兩年內有成交的用戶為基數(shù)，拉取他們在當年“雙11”的回購情況，計算出2017年、2018年、2019年“雙11”回購率。

邏輯如圖所示：

計算得到歷年“雙11”回購率變化如圖所示：

首先，從圖中確實看到回購率連續(xù)下降的情況。雖然它是事實，但由于該店基數(shù)人群很大（圖中可以看到2019年超過80萬人），未經細分的展現(xiàn)也隱藏了很多真相。

其次，可以看出回購率并不是首次下降，而是2018年就出現(xiàn)了下降，但用戶基數(shù)與“雙11”回購人數(shù)其實一直在增長，說明情況還不算太壞。

第三，大促回購率=回購人數(shù)／基數(shù)，前面剛剛分析過，回購人數(shù)與基數(shù)都是增長但回購率卻下滑，這是因為回購人數(shù)的增長慢于基數(shù)的增長。也就是說，可能在新增的基數(shù)人群中，有部分人回購表現(xiàn)不佳，拖累了整體，接下來分析的重點是找出這部分人。

下一步使用多維度拆解分析方法來拆解用戶，通過對比不同類型用戶的回購率，探索更多信息。

選擇的第一個拆解維度是R值，它是RFM模型中的“最后一次購買時間間隔”。

舉個例子：

如果小明在1月2日、3月2日、3月8日在天貓超市都購買過，分析天貓超市“38大促”回購人群時，小明距離“38大促”的最后一次購買時間就是3月2日，間隔R值為6天。R越小的用戶活躍度越高，回購率也越高。

該店鋪基數(shù)人群是近兩年購買用戶，也就是在“雙11”前730天有購買的用戶，可以先按年（1年365天）粗略把R值拆解成兩組：R≤365和365<R≤730。

不同R值的基數(shù)用戶“雙11”回購情況如圖所示：

下一個拆解維度是F，它是RFM模型中的“購買頻次”，也就是基數(shù)用戶在“雙11”之前的兩年里購買的次數(shù)。先粗略拆解為F=1與F>1。理論上來說，購買次數(shù)多的用戶越活躍，回購率高。

如圖所示：不同F(xiàn)值的基數(shù)用戶“雙11”回購情況。

對比2018年“雙11”的回購率發(fā)現(xiàn)，2019年“雙11”整體（合計）回購率下降了4.46%（對應表4-2第3行合計的回購率同比變化值是-4.46%）。

從上圖可以看出，無論R≤365還是365<R≤730分組都沒有呈現(xiàn)類似的下滑趨勢：R≤365組完全持平（對應表4-2第1行回購率同比變化值是0%），365<R≤730組甚至略有提升（對應表4-2第2行回購率同比變化值是1.67%）。

初步結論是不同R值的基數(shù)用戶回購率沒有下降，R值不能定位回購率下降的原因。為了盡快找到關鍵影響因素，暫且放下R值，去嘗試其他維度。

這兩組用戶在2018年與2019年的回購率有了更明顯的區(qū)別，2019年購買次數(shù)為一次的用戶（F=1）的回購率同比降低9.27%，而購買多次的用戶（F>1）回購率同比只減少0.81%。

對比總體回購率降低4.46%來看，F(xiàn)=1組基數(shù)用戶的波動較為突出。（其實不用太多業(yè)務經驗，用常識去想“只購買過一次的用戶轉化為二次復購比較困難”也是大多數(shù)人能理解的情況，幾乎所有店鋪的銷售構成中F=1的用戶也占大頭。）

原因定位：

相比上一次R值拆解，F(xiàn)值拆解帶給我們更有價值的洞察：僅購買一次的基數(shù)用戶回購率下滑較大，造成已購用戶2019年“雙11”的整體回購率降低。這是一個突破口，接下來可以對F=1的基數(shù)用戶進行更細的分組、更深入的分析。

定位F=1的基數(shù)用戶存在問題后，把這部分人單拎出來，按不同R值分成多組，這次不像最開始嘗試R值拆分那樣粗略分組，而要盡可能細地拆解，仔細對比各組回購情況找到核心原因。

為什么不繼續(xù)使用RFM中沒用到的最后一個指標M（累計購買金額）？其實累計金額一定程度上已經由購買頻次反映了，累計金額=客單價×購買次數(shù)，由于要拆解的用戶過去兩年只購買了一次，單筆客單的差距不大，應該是相對集中的一個數(shù)值，無法達到分組的效果。

如圖所示：細化分組F=1的用戶“雙11”回購情況。

黃色單元格中是回購率同比下降最大的值，是造成F=1的用戶回購下降的主要原因，它對應的組是90<R≤180。

R代表“回購間隔”，等于“用戶最近一次購買日期-上一次購買日期”的天數(shù)差。由2019年11月11日減去90天和180天，倒推得出該區(qū)間用戶的上次購買時間介于2019年5月中旬至8月中旬。

同時，另一個重要特征是F=1，也就是這段時間內首次購買的新用戶。

該店鋪是服飾類目，根據品牌特性和電商平臺節(jié)奏，5—8月的主要活動有兩項：“618”大促和7月秋季上新。

于是，可以提出假設：這兩次活動引進的新用戶質量產生了問題。

可以對比用戶一年復購率、加入會員的比例、互動率、短信響應率等指標，如圖所示：

最終得到結論，2019年“618”大促帶來的新用戶有大量用戶未留存下來，這些新用戶來源主要是平臺的推廣頁，例如“9.9元秒殺”“疊貓貓游戲”等曝光量大的廣告吸引來許多低價嘗鮮用戶。

當然可以篩除這部分用戶后做進一步驗證（這里不再展開分析）。

關于“回購率下降”的分析結束，我們可以從以下維度思考并設計一套針對本次分析結果的解決方案：

根據分析結果，問題出在該店鋪在今年平臺大促引入購買一次的新用戶后續(xù)復購轉化不足。在獲客成本居高不下的市場現(xiàn)狀，做好留存和轉化的成本遠低于拉新的投入成本，所以建議為這次的目標用戶設計具有針對性的專享召回活動，僅對這部分用戶展示。

活動突出“即時激勵+復購挑戰(zhàn)+長期復購”的權益，由于該部分用戶的復購意向較差，極有可能變成流失用戶，建議適當給與這批用戶更有誘惑力的優(yōu)惠力度、更多的觸達方式、以及更好的服務政策用以進行召回轉化，并延長其生命周期以達到提升LTV的效果。

本文由 @產品經理的取經路 原創(chuàng)發(fā)布于人人都是產品經理，未經許可，禁止轉載

題圖來自 Unsplash，基于 CC0 協(xié)議