上一篇讲了【用户画像高大上，但90%的人都做失败了】以后，很多同学表示想看RFM，今天它来了。
一、RFM基本原理
RFM是三个单词的缩写：
所以，即使单独看这三个维度，都是很有意义的。
当然，也有把三个维度交叉起来看的（如下图）：
最典型的就是生鲜，人天天都要吃饭，7天不吃可能就有问题；普通的快消品零售可能取30天，类似服装百货零售可能取90天；当然，更多的做法是按月取，比如R按月取，F、M算最近一年内的数值——这样做单纯是因为比较方便理解而已。
RFM本质上是一种用三个分类维度，找判断标准方法；通过三个维度的组合计算，能判定出用户的好坏，然后采取对应措施。
RFM的真正意义在于：这是一种从交易数据反推用户价值的方法，因此可行性非常高！
要知道：做数据分析的最大瓶颈是数据采集，而只要是个正常企业，交易数据是肯定有的；因此只要企业建立了用户ID统一认证机制，就能将用户ID与交易数据关联起来，就能用RFM来分析用户了；即使没有埋点、没有网站、没有基础信息也能做，简直是方便好用的神器。
当然，所有方便好用的工具，都自带一些不足，RFM模型也是如此。
二、RFM的最大短板
RFM最大的短板，在于用户ID统一认证；不要小看这几个字，在相当多的企业里非常难实现。
比如你去超市、连锁店、门店买东西，往往收银小妹会机械的问一句：有会员卡吗？如果回答没有，她也放你过去了；导致的结果，是线下门店的订单，一般有70%-90%无法关联到用户ID；进而导致整个用户数据是严重缺失的，直接套RFM很容易误判用户行为。
至于用户一人多张会员卡轮流薅羊毛，多个用户共同一张VIP卡拿最大折扣，店员自己用亲戚的卡把无ID订单的羊毛给薅了之类的事，更是层出不穷；而且在实体企业、互联网企业都普遍存在。
所以做RFM模型的时候，如果你真看到111类用户，别高兴太早，十有八九是有问题的；现在的企业往往在天猫、京东、自有微商城、有赞等几个平台同时运作，更加大了统一认证的难度；如果没有规划好，很容易陷入无穷无尽的补贴大坑。
三、RFM的深层问题
即使做好了用户ID统一认证，RFM还有一个更深层的问题。
让我们回顾一下，RFM模型的三个基本假设：
R：用户离得越久就越有流失风险F：用户频次越高越忠诚M：用户买的越多越有价值
反问一句：这三个假设成立吗？
如果不结合具体行业、具体产品、具体活动来看，似乎是成立的；但是一旦具体讨论就会发现：很多场景不满足这三个假设；因此：单纯讲RFM，不结合产品、活动，是很容易出BUG的。
R：用户离得越久就越有流失风险
所以R不见得就代表着用户有流失风险，特别是现在有了埋点数据以后，用户互动行为更能说明问题。
F：用户频次越高越忠诚
如果用户消费是事件驱动的，比如赛事、节假日、生日、周末；如果用户消费是活动驱动的，比如啥时候有优惠啥时候买；如果用户消费是固定模式的，比如买药的用量就是30天。
以上情况都会导致F的数值不固定，可能是随机产生的，也可能是人为操纵的。
很多企业僵硬地执行RFM模型，往往会定一个固定的F值，比如促使用户买4次，因为数据上看买了4次以上的用户就很忠诚；结果就是引发用户人为拆单，最后F值做上去了，利润掉下来了。
M:用户买的越多越有价值
如果用户是图便宜，趁有折扣的时候囤货呢？如果用户买了一堆，已经吃腻了、用够了呢？如果用户买的是耐用品，买完这一单就等十几二十年呢？如果用户消费本身有生命周期，比如母婴，游戏，已经到了生命周期末尾呢？
很多情况下，用户过去买的多，不代表未来买的多，这两者不划等号；因此真看到011、001、101的客人，别急着派券，整明白到底出了啥问题才是关键。
这意味着现有存活的用户，可能是幸存者偏差的结果，现有的111不是000的未来；要更深层次地分析为啥会沉淀大量不活跃用户，甚至从根上改变流程，才能解决问题；真按照RFM生搬硬套。可能就把业务带到死胡同里了。
四、RFM的典型乱用
RFM本身并没有错，在数据匮乏（特别是缺少埋点数据）的情况下，用RFM比不用RFM好太多了。
RFM的三个维度，每一个都很好用；RFM的整体架构，也适合用于评估用户经营的整体质量。
错的是生搬硬套RFM，不做深入分析；错的是看到买了大单的就叫爸爸，看到用户不买就急着发券的无脑做法；一味派券不但严重透支营销成本，更会培养出更多薅羊毛用户，破坏了正常经营，只为了RFM的数值好看。
经过K均值聚类以后，连RFM原有的含义清晰的优点都没有了，到底这8类咋解读，非常混乱。这样做没有考虑数据滚动更新，过了一周或者一个月，RFM指标都变了呀！难道你还天天把全量用户拿出来聚类吗。k均值聚类不是一个稳定的分类方法，无监督的分类更适合做探索性分析；隔了一周，一个用户被分成完全不同的两类，这会让市场营销、运营策划执行政策的时候非常抓狂：一天一个样，到底要推什么！
本质上看，因为网课、网文给的都是一张清洗得完美的静态数据表：一不需要跟别的部门合作，二不需要考虑连续场景，所以才选了一个模型+算法的做法。
嗯，能不能用不重要，显得自己牛逼最关键！
五、如何让RFM更有用
综合RFM失效的场景，可以看出：季节性、商品特征、促销活动、节假日事件、用户生命周期，这五大要素，都会影响到用户的行为；因此不局限于RFM，深入研究用户场景非常关键。
促销活动也是同理，促销活动可以直接从订单识别出来，因此也很容易给用户贴上——促销敏感型的标签。
用户生命周期，需要数据采集，而且是采集一个最关键的数据即可。
最典型的用户生命周期是母婴行业做法，企业一定会采集一个最关键的数据：怀孕多少周了；这个数据爸爸们不见得清楚，妈妈们一定很清楚；知道了起点，后续就可以推算了。
类似的还有药店连锁做慢病管理、K12教育等等。
六、小结
任何模型都有其产生的历史背景、数据基础、使用范围；也不是所有模型的目的都是精准；简单、好用、省事，是更多时候的考虑。
因此再次强烈建议同学们，不要沉迷于当知识收集者，企图找到《宇宙唯一真理模型》然后死记硬背，顶礼膜拜。
多研究自己工作的行业特点，改造方法为我所用，才是让数据发挥更大作用的方法。
说起死记硬背，然后乱用的模型，除了RFM还有很多；比如关联分析，都快2021年了，居然还有人信啤酒与尿布，被乱用得也是一塌糊涂。