分层是用户运营最基础的底层思维。为什么要做分层？简单来说，分层是为了区别对待不同的用户群体。为什要区别对待？因为不同的用户群体价值不同、需求不同、驱动力不同等等。
这些不同决定了想要提升用户群体的价值，必须对症下药。
RFM最早在20世纪应用于美国黄页业务，直到今天在互联网中也被广泛应用。其是基于用户历史消费数据，以三维坐标系进行用户价值分析的分层方法。基础的分析步骤如下。
拉取用户历史消费数据，并计算出每个用户对应的R、F、M数值，分别为：
1）将所有用户的R、F、M三个数值分别进行梯度划分，通常每个指标被划分成5个梯度，对应5个分值。
2）梯度的划分方法可参考两种：
3）依据上述分值梯度，计算每个用户的R、F、M三个指标对应的分值。
4）计算所有用户的R、F、M三个指标的均值。
5）将用户的R、F、M三个指标的分值依次与上述平均值进行比较，若小于平均值则计为低，否则为高，得出每个用户R、F、M分值的高低情况。
6）依据RFM分层表，进行用户类型的匹配，用户最终被分为8种类型。如下图：
RFM分层结果表
7）依据实际情况，针对每一类用户制定不同的策略。
任何事物的成立都有前提，而前提往往是最容易被忽略的。
RFM层成立的前提有3个：
之所以要说前提，是因为方法论都有它的局限性。对方法论不加分辨、胡乱套用，不仅不能解决问题，反而会越走越偏。
从上面三个前提也可以看出RFM的局限性。比如针对以下情况，上述三个前提很可能不成立。
用户最近一次消费间隔越短，流失几率越小：
所以不同行业不同类型的业务在使用该分层方法时一定要反问自己，上述三个前提对于自己的业务是否成立。
在不考虑创作者发布内容质量的前提下，基于创作者的发布行为进行分层，以提升创作者群体的内容发布数量。
1）第一步
确定创作者的R、F、M指标分别对应什么指标并进行取数及数据处理。
相比于交易用户，创作者在平台的关键行为是内容发布，其对应的三个指标分别为：
确定以上指标后，取数如下：
将数据处理为以下格式：
2）第二步
观察R、F、M各个数值对应的用户占比图，以确定分值梯度。
以M为例，通过建立不同发布数量的作者占比趋势图，寻找曲线的断档处以确定分值的梯度。
下图中，曲线明显的几个断档处分别为：1-2条，3-6条，7-11条，12-15条，16条及以上。
因此可将F值分为5档，分别为1分：1-2条；2分：3-6条；3分：7-11条；4分：12-15条；5分：16条及以上。
根据上述方法依次计算出R、M的5个梯度。需要特别注意的是，R值越大则间隔天数越长，对应的分值越小。最终结果如下图所示：
3）第三步
依次计算出每个用户的R、F、M三个值，结果如下：
4）第四步
计算出所有用户的R、F、M三个值的均值，并将用户的每个值与均值进行比较以判断用户R、F、M值的高低，大于等于均值记为高，小于均值记为低。结果如下：
5）第五步
根据RFM的用户分层表，对每个用户的类型进行匹配，结果如下图：
6）第六步
针对不同类型的创作者制定不同的策略，以提升作者的内容发布数量。具体的策略这里不做阐述，因为需要结合业务的实际情况而来。
上述分析中，在计算用户R、F、M每个值的高低时采用了目前最为广泛的一种方法：打分法。打分法的好处是可以对用户的价值进行量化。但其实在不量化用户价值的情况下，可以采用更简便的一种方法：将所有用户的R、F、M曲线依据帕累托法则（二八法则）进行划分来确定值的高低。
作者价值分=-a*R值+b*F值+c*M值
（其中a、b、c为对应指标的权重，“-a”表示R与作者价值成反比，R值、F值、M值为去量纲后的数值）
计算出对应的分值后再依据分值进行作者的分层，目前该方法有较多的应用场景，后续将专门进行探讨。
RFM模型更重要的是提供了一种用户分层的思路，而不只是方法。基于RFM模型的分层思路可以进行更多延伸，比如：基于RFM其中的两个指标进行二维象限的分析、根据业务特征对RFM的三个指标进行替换以寻找适合自己业务的分层方法、将RFM中量化用户价值的方式由评分替换为算法等更科学的方式。
方法重在活学活用，我个人是方法论的推崇者，但推崇的是在了解方法论局限性的前提下，以合适的方法解决问题，而不要胡乱套用，成为方法论的受害者。
毕竟解决问题的方法有很多种，不必痴迷于用的是哪一种，达成目的即可。