上篇文章介绍了用户体系搭建的思路，这里单独开篇给大家介绍如何量化用户价值。

在拓展市场初期没有思路的时候，市场和运营同事绞尽脑汁做活动、上新品、蹭热点、做营销，不断的拓展客户、做回访维系客户感情，除了少数运气好的之外，大部分效果寥寥。真正的用户没有几个，到最后都便宜了羊毛党。不同阶段、不同类型的用户需求点不同，有的客户图便宜，有的客户看新品，有的客户重服务，大包大揽的营销运营，最后的结果就是凉凉。

解决得分方法也很简单，就是用户精细化运营，通过各类运营手段提高不同类型的用户在产品中的活跃度、留存率和付费率。而如何将用户从一个整体拆分成特征明显的群体决定了运营的成败。这里介绍一个最经典的用户分群工具就是RFM模型。RFM模型是衡量用户价值和用户创利能力的经典工具，依托于用户最近一次购买时间、消费频次以及消费金额。

在应用RFM模型时，要有用户最基础的交易数据，至少包含用户ID，交易金额，交易时间三个字段。

RFM的含义：

R（Recency）最近一次消费时间：表示用户最近一次消费距离现在的时间。消费时间越近的客户价值越大。1年前消费过的用户肯定没有1周前消费过的用户价值大。F（Frequency）消费频率：消费频率是指用户在统计周期内购买商品的次数，经常购买的用户也就是熟客，价值肯定比偶尔来一次的客户价值大。M（Monetary）消费金额：消费金额是指用户在统计周期内消费的总金额，体现了消费者为企业创利的多少，自然是消费越多的用户价值越大。

基于这三个维度，将每个维度分为高低两种情况，我们构建出了一个三维的坐标系。

（来源自网络）

通过图表很直观的发现，我们把客户分为了2的三次方也就是8个群体。

如果某个用户最近一次消费时间距今比较久远，没有再消费了，但是累计消费金额和消费频次都很高，说明这个用户曾经很有价值也就是RFM模型中的重要保持客户，我们不希望他流失，所以运营人员就会专门针对这类型用户设计召回策略，这也就是RFM模型的核心价值。

当然这里有个默认前提：

最近有过交易行为的客户，二次发生交易的可能性要高于最近没有交易行为的客户；交易频率较高的客户比交易频率较低的客户，更有可能发生二次交易；过去所有交易总金额较多的客户，比交易总金额较少的客户，更有可能发生二次交易。

举例来说明：

以下是模拟我近一年的消费行为（脑海中蹦出了一年逛两次海澜之家…）：

假设当前统计时间为2019年12月31日，经过简单的统计计算可得：

R值 = 12月31日 – 11月11日 = 50；F值 = 计数消费次数 = 4；M值 = 1200+300+900+2000 = 4400；

这里会遇到第一个问题：

R值最近一次消费时间表示用户最近一次消费距离现在的时间，消费时间越近的客户价值越大。以上方式计算出的R值越大说明当前用户最近一次消费时间越远用户价值越小，而F值还有M值越大代表用户价值越大，三组数据不在同一个描述维度，而且R值、F值、M值存在量级之间的差距，无法直观的通过加减来衡量用户价值。

这里有两种处理办法分别是评分方式和算法。

评分方式

评分方式是根据三组数据各个值的特性，采用5分制为各个数据赋予一个评分值，R值的评分机制是R值越大，评分越小。具体评分的规则可以根据经验设定分值的给予区间，或者将数据平均分配成为5组，对应5个分值。

在基于三组数据对应的评分值来计算评分值的平均数，大于等于平均数的数据划到高的维度，低于平均数的数据划到低的维度，自然将三组数据每组分别划分为高低两组，交叉组合后就是我们上面说过的8种情况。然后在将三组数据对应的评分值做累加就是RFM总值了。

评分机制的优势

计算RFM总值时解决了不同量级数据相加时影响权重不均衡的问题。由于用户的交易行为中R值和F值相对较小，如果三个值不处理就累加，M值直接决定了总值的量级，R值、F值对总值的影响很小，无法体现出用户的真实价值。

同样以刚刚的数据为例：RFM总值 = 50+4+4400= 4454

可见M值4400直接决定了最后计算结果的量级，前面R值、F值对结果的影响基本忽略不计。采用评分制的方法后，将R、F、M值都映射到了1至5的区间之内，保证了各数据之间的可比性。

评分制的劣势

赋值指标的设定需要资深的业务经验，什么样的算高频，什么样的算高额都是经验，并且用户的消费数据是不断膨胀的，根据手动设定的划分区间无法随着数据的不断膨胀而自动适配，所以需要根据经验和数据反馈不断修正。

算法方式

算法方式是根据数据特性将数据基于模型处理后量化用户价值，分划分高低维度、量化用户价值两步。

第一步：划分高低维度

根据数据分布情况将数据分为高低两组，这里区分的方式一般采用四分位数（将一组数据由小到大排列并分成四等份，处于三个分割点位置的数值就是四分位数。处于正中位置的数字就叫做中位数，如果数组个数为奇数个，则中位数为排序后中间的一个数，如果数组个数为偶数个，则中位数为排序后中间两个数的平均数。），而不是评分制的平均数。

分位数相对于平均数应用场景更广，由于大部分数据都呈现长尾分布，80%甚至90%以上都集中在低频低额区间，少数的用户提供了大部分销售，采用平均数无法很好的体现数组的特性，长尾用户很容易被平均，

下面举个例子：土豪身价2个亿，屌丝产品经理身价20万，两人平均后，平均身价1个亿……

例子并不恰当，但是能看出在数据呈现长尾分布的场景中，平均数在很多场景并不合适，而采用四分位数时，可以根据数据分布情况，选择中位数、四分之一位数或者四分之三位数，然后高于则划分为高纬度，低于则划分为低纬度。

这里有一点需要注意！

由于R值的大小和用户价值呈现反比，所以高于分位数的时候算低纬度，低于分位数时算高纬度。

第二步：量化用户价值

首先解决R、F、M三值量级不均衡的问题，然后计算RFM总值量化用户价值。可将三组数据分别无量纲化处理映射至0到1的区间在合理放大然后相加。很多同学一听到算法就晕了，我挑选了这个方法中最简单的一种，只用到了我们初中所学的数学，逻辑非常简单，下面我为大家介绍min-max归一化。

min-max归一化

先贴公式：

上式中，min是数组中的最小值，max是数组中的最大值。只要将数组中的数据依次经过上述公式处理，最后发现原数组收敛到了0至1的区间之内，是不是很简单。

下面是我随机生成的一组数据为大家示例：

第一组源数据经过无量纲化处理后收敛至了0到1区间之内，可将不同量级的数据归一化至同一量级，归一化后的数据是一个位数极多的小数，而一般用户对于极小数和极大数没有直观的感受。

所以这里我把所有的数据同比放大了100倍，将源数据扩大到了0至100的区间，同时做了四舍五入，让数据可读性更强。经过这样的处理就将数据从原来不同量级无法直观对比，归一化到了0至100的区间，方便大家直观计算RFM总值。

最后计算RFM总值的公式如下：RFM总值 = R值*（-1）+F值+M值+100；

公式中同样为了解决R值同F、M值统计维度不一样的问题，这里给R值乘以了负1，同时为了保证数据结果不会出现负数，又在最后加了100。这样处理之后保证最后的RFM总值落在了0至400的区间之内，让大家可以通过分值很直观的量化用户价值。

总之，RFM最终的目的就是帮助业务提高运营效率和产出价值，上述介绍了两种方法，一种通过经验人工划分出用户群体，一种通过数据挖掘，给与业务运营建议。

具体的业务应用场景还是以淘气值为例（均为个人猜想，如果哪里说得不对，还请留言告知，谢谢）。

购物分：是近12个月购买金额的综合分值。每一笔订单、每日、每月、每一类商品、每一个店铺，可获得的最高可得分都不同，另外，购买更多种类的、高信誉商家的商品可以得到更多分；奖励分：奖励分是近12个月内购买的商品类目数，反映真实消费体验的文字评价、带图评价、追评、分享被点击数、问大家参与次数、购买成交天数、连续购买月数的综合分值。奖励分受购物分正向影响，购物分越高，奖励分越高；基础分：基础分由当前信誉等级决定。信誉等级越高，基础分越高，并且可得购物分和奖励分的分数越高。

购物分围绕着用户的近12个月消费记录，奖励分则是围绕着用户的实际互动行为，包括评价、分享、参与次数等。这里特别强调一点RFM模型不仅仅针对消费数据，可以试试其他新的花样，比如：

互动行为：最近一次互动时间、互动频次、用户的互动次数；直播行为：最近一次观看直播时间、直播观看频次、观看直播累计时长；内容行为：最近一次观看内容时间、观看内容频次、观看内容字数；评论行为：最近一次评论时间、评论频次、累计评论次数等等等等。

以上这些只是我的简单思考，希望可以给大家更多的启发。

淘宝根据用户的淘气值将用户分成了三种类型：

普通会员：0 ≤ 淘气值 ＜ 1000；超级会员：1000 ≤ 淘气值 ＜ 2500；APASS会员：2500 ≤ 淘气值。

分别设定了不同的权益针对性运营，在推出88会员的时候淘气值高于1000分的用户可以以88元直接购买会员。同时在淘气值页面看到了88会员中心【敬请期待】的页面，在结合88会员入口处【花小积分 兑大权益】的文案，相信未来淘宝会在88会员上有新的运营动作。

最后关于无量纲化处理的方法还有很多，我这里介绍了最简单的一种，喜欢研究的同学可以自行百度。

会员系列的第二篇，终于在纠结了两周反复难产的过程中完成了。

相关阅读

搭建会员体系时必须要思考的三个问题！

本文由 @萌面赵先生 原创发布于人人都是产品经理，未经作者许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议