產(chǎn)品經(jīng)理從沒接觸過RFM體系,應(yīng)該如何搭建

1、編輯導(dǎo)讀：作為一名產(chǎn)品經(jīng)理，經(jīng)常會面對很多從來沒有遇到過的問題。沒有相同案例的參考，工作經(jīng)驗(yàn)?zāi)芷鸬降淖饔靡彩怯邢?，怎么辦？例如，領(lǐng)導(dǎo)讓你搭建一個RFM 體系，應(yīng)該怎么做呢？本文將從三個方面展開分析，希望對你有幫助。在我看來，產(chǎn)品經(jīng)理其實(shí)需要有一種特質(zhì)，就是擅長解決之前從來沒有遇到過的問題。如果工作中接觸的全是之前做過項(xiàng)目里的東西，或者全是通過競品分析（競品抄襲）就能設(shè)計(jì)出產(chǎn)品，那，產(chǎn)品經(jīng)理的能力如何體現(xiàn)呢？當(dāng)然可以體現(xiàn)，借助過往的 “經(jīng)驗(yàn) ”或者 “競品 ”就可以，這也是職場當(dāng)中招聘員工時的現(xiàn)狀，很合理，因?yàn)閷τ谡衅阜絹碚f，大概率可以獲得與成本匹配的回報。但，工作當(dāng)中由于公司業(yè)務(wù)的差異，要百分

2、百找到可以對標(biāo)的產(chǎn)品進(jìn)行像素級 “模仿 ”的情況，其實(shí)也沒有那么多，甚至由于公司的業(yè)務(wù)發(fā)展，導(dǎo)致每天你遇到的其實(shí)都可能是之前從來沒有遇到過的問題，那么，你會如何去解決并勝任工作呢？如果不能很好的解決頻繁發(fā)生的新問題，你的三年、五年、十年工作經(jīng)驗(yàn)，意義在哪呢？有你跟沒你，又有什么區(qū)別呢？這也是為何我對于這個崗位甚至一些其他類似崗位（比如：運(yùn)營、開發(fā)、設(shè)計(jì)等），所存在的上面那樣的觀點(diǎn)，就是除了經(jīng)驗(yàn)這個玩意之外，你得自己去做一些底層能力的提取。那么，簡單聊聊，如果遇到了一個未知問題時，可以怎么去借助底層能力去考慮。當(dāng)然，在這里，我不想嘗試去提取所謂的底層能力是啥，畢竟這事得自己去做。假定，你在公司里

3、面，領(lǐng)導(dǎo)讓你來搭建之前從來沒有接觸過的 RFM 體系，你會如何考慮呢？先不說怎么考慮的事，可能有的人沒有接觸過RFM ，那既然都沒接觸過的情況下，先老老實(shí)實(shí)搜集資料去了解下 RFM 到底是啥。經(jīng)過了解，你應(yīng)該就能知道， RFM 可以算是一種模型、一種分析方式，它將用戶在平臺當(dāng)中的消費(fèi)行為從三個方面進(jìn)行了統(tǒng)計(jì)，分別是 R （最近一次消 費(fèi)時間）、F （最近一段時間消費(fèi)頻次）、M （最近一段時間消費(fèi)金額），通過 對這幾個方面的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)之后，從而對用戶進(jìn)行分類，并且在這樣的一個模型當(dāng)中，它把用戶分成了八大類，分別是重要價值客戶、重要發(fā)展客戶、重要保持客戶、重要挽留客戶、一般價值客戶、一般發(fā)展客戶

4、、一般保持客戶、一般挽留客戶。在分類完成后，針對不同類型用戶的特征以便于去更有效的進(jìn)行營銷。其實(shí)了解到這里之后，應(yīng)該就明確了一個東西，做這件事情的是為了將用戶分類以便于更好的做精細(xì)化運(yùn)營，而且還能夠順便看出這里的核心運(yùn)營目標(biāo)是與錢掛鉤的，所以結(jié)合起來，核心目標(biāo)就變成了為了提升營收而搭建的精細(xì)化運(yùn)營體系。接下來，有的人可能會開始考慮去梳理相應(yīng)的業(yè)務(wù)場景，準(zhǔn)備著手去設(shè)計(jì)了。但其實(shí)我會覺得還有一些問題是沒有解決的。由這套模型的本質(zhì)及我們的核心目標(biāo)出發(fā)的話，往下要思考的話，我至少，可能會產(chǎn)生類似于這樣的一些問題：一個一個來。如果套 RFM“ 公式 ” ，當(dāng)然是沒有問題的。但這里，我覺得要從結(jié)果出發(fā)，考

5、慮一個實(shí)際問題，你們公司的運(yùn)營手段或者策略上是否具備精細(xì)到針對八層甚至更多層次用戶，分別去區(qū)別運(yùn)營的能力？如果沒有的話，那可能最終對于運(yùn)營人員而言，劃分八層實(shí)際上有用的只有一半，因?yàn)槭Ｏ碌囊话脒\(yùn)營可能采取了同樣的運(yùn)營策略，那產(chǎn)品的設(shè)計(jì)上暫時就有點(diǎn)多余。另外，如果不劃分這么多層次，就要考慮另外一個問題，那三個維度是否還有必要使用？比如你的公司售賣的是用于終身服務(wù)的高價會員卡，使用 RFM來衡量的話，對于很多用戶而言， F 就是一個很低量級的數(shù)了，甚至?xí)虼擞绊懹脩舻姆诸?，所?F 這個維度的存在對于上面這種公司業(yè)務(wù)就明顯不合理?；诖耍褂?RFM 時就完全沒有必要硬套公式了，明確核心思想，找到

6、并提煉與核心目標(biāo)有直接關(guān)聯(lián)的關(guān)鍵指標(biāo)，劃分出了不同的層次，所以其實(shí)更多的是使用RFM模型的思想，最終你可能做出了“SFM或者”MFM之類的玩意。于是，就產(chǎn)生了另外一個問題，如何基于核心目標(biāo)定義關(guān)鍵指標(biāo)？這就需要基于公司的業(yè)務(wù)場景列舉并提煉，這是所有產(chǎn)品經(jīng)理的基本功，就不展開講解了。因?yàn)?RFM 的幾個維度其實(shí)都是基于用戶的訂單數(shù)據(jù)來統(tǒng)計(jì)的，甚至是拿訂單當(dāng)中的成交數(shù)據(jù)來進(jìn)行統(tǒng)計(jì)的。那么，如何收集這些數(shù)據(jù)呢？這個其實(shí)很簡單，因?yàn)榻^大多數(shù)產(chǎn)品當(dāng)中訂單數(shù)據(jù)都會進(jìn)行單獨(dú)的統(tǒng)計(jì)。但，只是這樣就夠了嗎？看一些場景：某個用戶有兩個賬號，一個是手機(jī)號 A 注冊的，一個是手機(jī)號B 注冊， A 賬號是個小號，偶爾用

7、來買一些見不得人的東西，B 賬號則是正常購買；另外有個用戶在你們的淘寶店鋪購買商品，在你們官方App 、小程序、網(wǎng)站當(dāng)中也有購買商品，而且可能還不是同個賬號。于是最終就會出現(xiàn)同樣的一個用戶，在登錄了自己不同賬號的時候，會被采取完全不同的運(yùn)營手段，而我們的出發(fā)點(diǎn)其實(shí)是需要針對 “用戶 ”的不同特點(diǎn)來做精細(xì)化的運(yùn)營。所以，這里其實(shí)引申出的問題就是，如何確保正確收集了某個用戶的數(shù)據(jù)？目前，絕大部分平臺目前所采用的運(yùn)營方式，我把它稱之為是 “面向賬號 ”的運(yùn)營，而非 “面向用戶” 的運(yùn)營，面向賬號運(yùn)營會帶來的問題便是對于不同用戶并沒有采取最合適的運(yùn)營策略，當(dāng)然，也有一些平臺有在考慮并試圖解決這樣的問題

8、，解決的角度則需要從賬號體系去入手了，涉及到線上線下以及線上多平臺，可以基于用戶的 OpenID、 UnionID 、設(shè)備的 IMEI 等等作為輔助信息來判斷，我在其他文章里面也專門講解過賬號體系的搭建，這里同樣不去展開了。1）定義指標(biāo)的標(biāo)準(zhǔn)多個維度確定后，數(shù)據(jù)收集問題解決后，基于定義好的數(shù)值標(biāo)準(zhǔn)然后才能劃分出不同層次的用戶。比如，按照最近消費(fèi)時間較近的、消費(fèi)頻次和消費(fèi)金額都較高的，就可以定為重要價值客戶。于是，問題來了，如何定義出這些維度當(dāng)中什么叫消費(fèi)金額的 “高低 ”什么叫消費(fèi)時間的 “遠(yuǎn)近 ”呢？從生活角度來講，我們能知道類似于 “高低 ”這樣的概念其實(shí)是一種相對概念，比如我比姚明矮，但

9、我比另外某個人高，這就是相對于不同的參照物在比較，再比如假定個人稅后年收入 1 個億以上的叫有錢人，個人稅后年收入低于1 個億的叫窮人，同樣也是相對概念，是相對于 “1 個億 ”這個數(shù)值來比較的，也就是相對于同一個參照物在比較。很明顯，在這種產(chǎn)品設(shè)計(jì)當(dāng)中 ,我們應(yīng)該是將不同的數(shù)值相對于同一個參考數(shù)值去進(jìn)行比較，這樣才能夠有可比性。所以，目前為止解決這個問題的核心就在于如何去定義出某個相對數(shù)值，有了這個相對數(shù)值后，比它數(shù)值大的稱之為 “高 ” ，比它數(shù)值小的稱之為 “低 ”之類的。對于這個 “相對數(shù)值 ”而言，需要確保相對公平，而從公平的角度來講，一般比較常見的做法是考慮用平均值或者中位數(shù)的角度

10、來作為一個相對標(biāo)準(zhǔn)，基于我們在小學(xué)三年級學(xué)過的數(shù)學(xué)知識應(yīng)該知道，所謂的平均數(shù)就是一串?dāng)?shù)字加起來按個數(shù)求出的平均數(shù)，而中位數(shù)則是一串?dāng)?shù)字由小到大排序后處于中間位置的數(shù)。為了更好的去理解如何制定這樣的相對標(biāo)準(zhǔn)，我以案例來說明下。假定目前有個電商平臺上線一段時間，已經(jīng)有大量的用戶訂單數(shù)據(jù)，在這個基礎(chǔ)上想要基于用戶消費(fèi)數(shù)據(jù)來做RFM 這塊，并且假定前面的所有產(chǎn)品經(jīng)理應(yīng)該做的最基礎(chǔ)的場景梳理已經(jīng)完成，只剩下對于 RFM 這三方面的相對標(biāo)準(zhǔn)如何制定這一個問題需要去解決了。如果平臺是采用平均值作為相對標(biāo)準(zhǔn)，基于前面所講解的思路，也就是說我們需要先有用戶的訂單數(shù)據(jù)，基于所有訂單數(shù)據(jù)再來進(jìn)行計(jì)算。在定義F 與M

11、 的高低時，就需要先計(jì)算出平臺所有客戶消費(fèi)頻次的平均值以及消費(fèi)金額的平均值，然后將每個用戶的消費(fèi)金額總額以及頻次與這個平均值進(jìn)行比較，如果高于這個平均值可以暫時評估為 “高 ” ，如果低于平均值則可以評估為 “低 ”。同理，在定義R 的遠(yuǎn)近時，也需要先計(jì)算出每個客戶離當(dāng)前時間最近的一次消費(fèi)時間間隔是多久，再去計(jì)算出所有客戶離當(dāng)前時間最近的一次消費(fèi)時間間隔的平均值，低于該數(shù)值的就可以稱之為近，高于該數(shù)值的可以稱之為遠(yuǎn)。2）數(shù)據(jù)向量化處理并且為了更加方便的去劃分每個用戶的所屬分類，最好將數(shù)據(jù)進(jìn)行向量化處理。所謂的向量化處理，也是一個數(shù)學(xué)概念，因?yàn)橥ǔ５臄?shù)字都是只有大小的，向量化后可以簡單理解為數(shù)字

12、不僅有大小還有方向了。在這里為了簡單處理，可以將高于相對標(biāo)準(zhǔn)值的，可以算正向量，都以 1 來表示，低于相對標(biāo)準(zhǔn)值的，可以算負(fù)向量，都以 0 來表示。有了 RFM 三個維度分別的向量值之后，理論上每個用戶就可以根據(jù)向量值來更加方便的去劃分到對應(yīng)的分類當(dāng)中，分類方式如下圖所示：3）引申的問題到這里，如果你善于思考的話，應(yīng)該就會發(fā)現(xiàn)有一個現(xiàn)象：客戶所屬的分類是一個動態(tài)變化的過程。沒錯，因?yàn)殡S著統(tǒng)計(jì)計(jì)算的周期不同，各個維度的平均值會發(fā)生變化，也就是相對標(biāo)準(zhǔn)發(fā)生了變化，那么某個用戶最終所計(jì)算出的 “高低遠(yuǎn)近 ”就會隨之改變，自然所屬分類也就變化了。所以，如果想要使得這套 RFM 模型更有實(shí)際上的使用價值，還可以去基于用戶過往不同時間周期的數(shù)據(jù)生成用戶所屬分類階段性變化的情況