用户分群的理论最早由科特勒在市场营销理论中提出，将购买者根据用户需求和购买行为进行分类，将有相似的购买需求和购买行为的用户划分为一个市场细分，为每个细分市场设计特定的产品和服务以及触达渠道。本文作者通过以下四点教你如何用RFM模型进行用户分群，希望对你有帮助。
1、什么是用户分群
很多产品中我们都能看到用户分群，比如最明显的会员体系，就是将用户分为了非会员和会员两个群体。
又比如我们现在经常听到的AARRR模型，也可以说是一种分群方式。
用户分群，简单的说就是按照某些维度，可以是一个或者多个维度交集，按照一定的规则将用户划分成不同的群体。例如按照年龄划分：
用户分群可以分成2种，明分群和暗分群。
明分群指的是分群规则和对应群体的运营策略都是公开的，目的是利用更高群体的优质服务来吸引用户进行升级。
比如说会员体系，所有产品的会员规则和每一个级别的会员优惠都是明确公开的，商家就是使用更优质的服务来吸引用户不断升级会员等级。
相反，暗分群指的是分群规则和对应的运营策略都是不透明的，用户并不知道自己被分为了什么群体。
比如价格歧视策略，所谓的大数据杀熟，就属于这一类。
除了用户分群，我们还经常听到另一个概念：用户分层。这两者有什么区别吗？
简单来说，用户分群，不同的群体之间可能是平行关系，也可能是递进关系，也可能是其他关系。
而用户分层，是一种特殊的用户分群，不同的群体之间存在递进关系。
例如，如果按照性别，可以将用户划分为男女两个群体，这两个群体之间是平行关系，所以这是分群而不是分层。
而如果我们按照AARRR模型将用户分成5个群体，那么这就是用户分层，因为AARRR五个群体之间是存在递进关系的。
同样，会员体系也是一种用户分层。
所以，用户分层是一种特殊的用户分群方式。
那么，为什么要进行用户分群呢？
随着我们用户规模的不断扩大，单一的运营策略不再能满足所有用户的需求。
例如适用价格敏感型用户的优惠运营策略，就不一定适用于注重高品质的用户。
另外，用户群体大了以后，我们会发现其中20%的用户贡献了80%的价值，而公司的资源（包括人力、财力等）是有限的，不可能照顾到所有的用户，所以就需要筛选出高价值的20%用户进行重点运营。
2、如何进行用户分群
常用的用户分群方法，包括用户价值区隔分层、用户身份区隔、用户需求区隔和AARRR模型。
用户价值区隔分层，又分为两个维度：第一，依靠用户生命周期定义对用户进行价值区隔；第二，依靠用户关键行为对用户进行价值区隔。
而今天我们重点要给大家分享的RFM模型，就属于依靠用户关键行为对用户进行价值区隔的方法。（4种方法助你轻松完成用户分层）
RFM分别代表用户三种关键行为：
- R（Recency），距离最近一次交易，衡量用户的流失情况
- F（Frequency），交易频次，衡量用户的忠诚度
- M（Monetary），交易金额，衡量用户的贡献度
RFM三个值只分为高低两种情况，结合起来就是8中情况：
使用RFM模型的一般步骤：
下面，用一个实例来分享下具体的操作方法。
3、RFM分群实例
例如，从网上获取了40多万条电商订单数据，时间是2010年12月1日到2011年12月9日。
3.1 R值
首先我们计算R值，R值指的是用户距离最近的一次交易，使用最近一次购买日期到现在时间的差距来衡量。
所以，第一步：我们要找出每个用户，最近一次购买的日期
选择所有订单数据，插入数据透视表，行选择客户，列选择购买日期，然后设置购买日期汇总方式为最大值（因为最近的日期肯定是最大的）。
找出所有用户最近一次购买日期，下一步计算这些日期距今的时间间隔。
使用公式：DAYS360（开始日期，结束日期），计算出时间间隔。
然后，我们要选择一个中值，时间间隔小于中值的用户表示R值为高，大于中值的用户表示R值为低。
那我们如何选择中值呢？一般有几种常见的方法：
- 所有数据的平均值或中值
- 基于一个业务节点的重要值，例如投资理财类的R值，一般是1个月，因为发工资才有钱投资
- 以二八法则进行推算，80%的用户集中在低频低金额区间，20%的用户集中在高频高金额区间
- Means聚类算法，这个如果数据分析师小姐姐懂得话，就最好了
这里，我们使用20/80法则，发现使用众数作为中值更好。于是我们使用众数和如下公式，为每个客户的R值进行高低标记：=IF(C2<30,”高”,”低”)。
顺便分享下，计算众数的公式为：=MODE()；计算中位数的公式为：=MEDIAN()
3.2 F值
F值指的是用户的购买频次，即在此期间用户下了多少单，所以我们只需要统计每个用户的去重订单数即可。
同样可以使用数据透视表来实现。
行使用客户ID，列使用订单号进行计数。
这里我发现了一个WPS很狗的地方，WPS不提供订单号去重计数，这个在excel里是支持的。。。
计算出每个用户的F值后，我们发现，F值的众数和最小值是一样的，并且中位数小于平均值，说明有几个很大的数值拉高了平均值。
为了使数据尽量符合20/80法则，我们选择5（接近平均值）作为F值的比较中值。
3.3 M值
看原始数据发现，没有订单金额的数据，所以首先，要计算出每一笔订单的金额。
然后同样使用数据透视表，统计每个用户在此时间段内的购买总金额。
然后，我们计算出订单金额的平均值，众数和中位数，发现平均值远大于中位数，这表明其中存在一些很大的订单金额数据，拉高了平均值，所以我们直接使用平均值作为F的中值即可。
这样，我们就把每个用户的RFM三个值的高低取值确定了。
通过统计人数后，我们得到：
4、RFM运营策略
最后，只需要根据具体的业务情况和得到的分群，针对每一个分群制定特定的运营策略即可。
对于重要价值用户，我们是维持和留存为主，是我们运营的重点。对于重要发展用户，要想方设法提升其交易频次。
对于重要保持用户，要防止其流失掉，重要挽回用户就需要进行重点召回。
一般价值用户，这些可能是价格敏感型的用户，需要挖掘这些用户感兴趣的高单价商品品类，刺激他们消费更高单价的商品。
一般发展用户一般是新来的用户，我们需要挖掘他们的需求，给他们推荐感兴趣的商品，提高消费频次。
一般保持用户，需要采取措施召回，但是力度不用太大，看公司具体的资源来定。
一般挽留用户，如果公司精力不够，可以放弃治疗。
RFM方法的核心逻辑是找出影响用户价值高低的关键行为，然后进行交叉分析和用户划分。所以RFM模型并不一定就是上述的含义，在不同领域可以是不同的定义。例如：
- 金融领域，R代表最近一次投资的时间，F代表投资频率，M代表投资金额；
- 直播领域，R代表最近一次观看直播的时间，F代表观看频次，M代表观看总时长；
- 游戏领域，R代表最近一次玩游戏的时间，F代表游戏频次，M代表游戏时长。还可以定义为，R代表最近一次游戏充值的时间，F代表充值频率，M代表充值金额。
RFM只是代表一种分层的思维方式，任何产品，我们都可以定义影响用户的关键行为，然后定义出这些行为的指标，再对这些指标进行交叉分析，来完成对用户的分层。
5、总结
最后我们来总结一下：
用户分群是按照某些维度将用户分为不同的群体，旨在对用户进行精细化运营。用户分层是一种具有递进关系的用户分群。
用户分群的方式一般有四种：用户价值分群，用户身份分群、用户需求分群以及AARRR模型。
其中RFM是用户价值分群中非常典型的根据用户关键行为进行分群的方法。R是最近一次交易时间，F是交易频次，M是交易金额，以上都需要限定在一段时间内。RFM只有高低两种情况，三者两两交叉将用户分为8个群体。
RFM模型分为四个步骤：拿到数据，计算RFM值，选取中值确定RFM高低，分群，制定运营策略。
RFM中值的选取方式：选取平均值、使用20/80法则，means聚类算法，或根据具体的业务来定。
