確定用戶價值是整個用戶運營程序中極其重要的一環，傳統的作業流程中，業務人員向資料部門提出資料需求，等待回傳結果后再進行價值分析是主要的準備作業，但這個程序非常耗時，為了提高作業效率，業務人員經常會基于自己對用戶的理解制定一系列的運營策略，但完成了運營活動后，比較難及時進行活動效果的跟進與評估，到了可以評估的時候又往往發現活動效果并不理想，
造成以上情況的主要原因就是業務人員認為的用戶群體特征與用戶實際的特征之間存在著一定的偏差，手動進行用戶分析則耗時耗力，當有了客戶資料洞察平臺后，上述問題就全部迎刃而解了，
資料部門提前將基本的資料加工好，業務人員有需要的時候直接自主進行標簽加工、群組分析等一系列操作，省去了很多溝通成本，將更多的精力放在了運營策略的制定上，最終成功落地效果突出的運營活動，
如何將用戶從一個整體拆分成特征明顯的群體決定了運營的成敗，行業內有很多成熟的用戶價值分析方法，而這其中最為經典的實作模型就是 RFM 模型，在資源有限的情況下，RFM 模型可以讓企業聚焦于更有價值的用戶，帶來事半功倍的效果，
關于 RFM 模型，這個名字很多同學都知道，但深究到執行層面，相信很多同學都是一知半解，本文將為大家詳細介紹 RFM 模型在「袋鼠云客戶資料洞察平臺」內的落地實戰，幫助您快速判斷用戶價值等級，真正實作資料賦能業務發展，
RFM 模型核心維度
首先，讓我們先來了解一下什么是 RFM 模型，RFM 模型是做用戶精細化運營的常用分析方法，可以直觀看出用戶的價值貢獻，RFM 模型包含三個重要指標：最近一次消費頻率（Recency）、消費頻率（Frequency）、消費金額（Monetary），下面通過具體例子介紹如何生成 RFM 模型來指導運營作業的推進，
在開始加工標簽、生成模型之前，首先要完成業務場景的分析，根據業務場景對用戶的行為進行分層后，再通過「客戶資料洞察平臺」創建相應的「最近一次消費頻率」、「消費頻率」、「消費金額」標簽，隨后根據這些標簽生成想要的 RFM 模型，
下面我們以用戶下單行為為例來看一下近30天有下單行為的用戶價值，根據對業務場景的分析，我們需要完成以下這些標簽的加工：
客戶資料洞察平臺中實作 RFM 模型
完成了業務場景的分析，接下來就可以在「客戶資料洞察平臺」完成標簽的創建以及 RFM 模型的生成，
創建用戶物體，并將訂單表系結至對應的用戶物體下
下圖展示了訂單表系結物體的程序，完成了系結的物體則可以進行后續標簽的加工，
根據訂單表加工所需的衍生標簽
通過前文的業務分析，我們需要以下5個衍生標簽：近7天有消費行為、近15天有消費行為、近30天有消費行為、近30天消費頻率、近30天消費金額水平，
其中，「近7天有消費行為」、「近15天有消費行為」、「近30天有消費行為」標簽的加工方法類似，下圖僅展示「近7天有消費行為」標簽的加工規則：
下圖為「近30天消費頻率」標簽的加工規則：
在加工標簽的程序中，我們可以通過標簽值分布功能來評估我們的分類標準是否合理，如出現了下圖這種分布情況，則說明我們設定的「高」等級標簽值的門檻過高，沒有實體可以覆寫，此時我們需要整體調低分布區間，提高標簽計算結果的利用率，
下圖為「近30天消費金額水平」標簽的加工規則：
根據加工好的衍生標簽加工組合標簽
「最近一次消費頻率」標簽是根據近7天有消費行為、近15天有消費行為、近30天有消費行為三個衍生標簽而來的組合標簽，下圖為「最近一次消費頻率」標簽的加工規則：
以上，我們就完成了實作 RFM 模型所必要的三個核心標簽，
標簽圈群，實作 RFM 模型
在創建 RFM 模型之前，讓我們先對模型做一下拆解，看一下群體結果與業務是如何進行結合的，
在 RFM 模型中，我們需要的3個標簽被分成了三個等級，對標簽值進行自由組合，形成了27類人群，本文中選取其中的3類人群進行群組分析與洞察，
了解了 RFM 模型如何使用之后，我們就可以在「袋鼠云客戶資料洞察平臺」將需要進一步分析的各個群組的用戶正式篩選出來，進而對各個群體進行定向的更加具體的營銷策略制定與執行，
「袋鼠云客戶資料洞察平臺」提供了兩種 RFM 模型落地的方式，一種是從27類人群中選取重點關注的群體分別建立群組；一種是使用平臺提供的模型封裝工具快速落地，
第一種方式將會節約更多的存盤、計算資源，適合對模型、用戶的理解與應用更加深刻的高級運營人員使用；第二種方式則可以更加方便快捷的查詢各類不同價值等級的用戶群體，更全面的洞察目標群體的突出特征，同時也需要花費更多的精力、更多的資源來關注一些低價值群體，
本文主要介紹第一種方式的配置方法，第二種方式感興趣的同學可在「袋鼠云客戶資料洞察平臺」內自行探索，進入到群組分析內的標簽圈群模塊，設定好我們上方提到的群組1的圈群條件，如下圖所示：
設定好群組規則后，開始進行圈群動作，平臺會向你提供所有的群體實體資訊，你可以將其保存為群組后后續實時關注群組變化，也可快速進行群組畫像、顯著性分析、群組對比等群組分析洞察，
總結
以上，就是 RFM 模型在「袋鼠云客戶資料洞察平臺」的實戰演練，除了 RFM 模型，客戶資料洞察平臺也可以落地其他典型的用戶分析模型，如 AARRR 模型、PLC 模型、AIPL 模型等，
在實際使用中，多模型組合分析也是重要的分析洞察內容，后續將陸續為大家呈現更多的模型加工與分析的實操內容，歡迎關注，
《數堆疊產品白皮書》：https://www.dtstack.com/resources/1004?src=https://www.cnblogs.com/DTinsight/archive/2023/05/31/szsm
《資料治理行業實踐白皮書》下載地址：https://www.dtstack.com/resources/1001?src=https://www.cnblogs.com/DTinsight/archive/2023/05/31/szsm
想了解或咨詢更多有關袋鼠云大資料產品、行業解決方案、客戶案例的朋友，瀏覽袋鼠云官網：https://www.dtstack.com/?src=https://www.cnblogs.com/DTinsight/archive/2023/05/31/szbky
同時，歡迎對大資料開源專案有興趣的同學加入「袋鼠云開源框架釘釘技術qun」，交流最新開源技術資訊，qun號碼：30537511，專案地址：https://github.com/DTStack
轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/554020.html
標籤：其他
上一篇：Oracle 12c/19c PDB資料庫配置自動啟動
下一篇：返回列表