【数据分析】7 RFM&CLV&事件分析、用户旅途

一、RFM模型：用户分层与价值评估

1. 模型定义

   • Recency ®：用户最近一次消费时间，反映用户活跃度（如外卖行业关注30天内，游戏行业关注7天内）。
   • Frequency (F)：消费频率，衡量用户忠诚度（如电商关注购买次数，游戏关注登录次数）。
   • Monetary (M)：消费金额，评估用户贡献价值（全行业通用）。

2. 应用场景

   • 用户分群：通过三维度将用户划分为8类（如高价值用户、需挽留用户）。
     • 示例：
       • 重要价值用户（R近、F高、M高）：优先资源倾斜。
       • 流失风险用户（R远、F低、M低）：需触达挽留。
   • 动态评分：基于分位数（如25%、75%）划分高/中/低分段，结合权重计算用户总分。
   • 聚类分析：结合机器学习（如K-means）自动分群，提升分类精准度。

3. 行业差异

   • 电商：R关注30天，F关注季度购买次数，M以客单价为基准。
   • 游戏：R关注7天登录间隔，F关注周活跃天数，M关注充值金额。
   • O2O：R关注周消费频率，F结合服务类型（如外卖/打车），M关注单均消费。

4. 策略设计

   • 高R值用户：推送即时优惠（如限时折扣）。
   • 高F值用户：增强忠诚度计划（如会员积分）。
   • 高M值用户：推荐高价商品或增值服务。

—以下是对上述知识点的补充和扩展，旨在深化理解并提供更多实操建议：

---

1. 动态权重调整

• 场景：不同行业对R/F/M的敏感度不同（如电商重视F/M，游戏重视R）。
• 方法：
  • 根据业务目标动态调整权重（例如：电商赋予M 50%、F 30%、R 20%）。
  • 使用机器学习（如XGBoost）预测用户价值分数。

2. RFM与用户生命周期结合

• 高价值用户：处于成长期或稳定期，需长期维护。
• 流失风险用户：处于衰退期，需紧急干预（如推送召回邮件）。

3. 实现工具示例

• 代码实现：

  # Python示例：基于RFM分群
  from sklearn.cluster import KMeans
  import pandas as pd
  
  # 假设df包含用户数据（Recency, Frequency, Monetary）
  kmeans = KMeans(n_clusters=5)
  df['cluster'] = kmeans.fit_predict(df[['R', 'F', 'M']])
  

---

二、用户生命周期价值（CLV/CRV）：长期价值评估

CLV（Customer Lifetime Value，客户终身价值）
用户在其与企业互动的整个生命周期内，预期贡献的总价值（包含潜在的未来价值），通常以货币形式衡量。它是企业制定长期策略、优化资源配置的核心依据。

1. CLV vs LTV 的核心区别

维度	CLV	LTV
时间范围	预测未来总价值（含潜在价值）	仅计算已实现的净收益（历史数据）
成本考量	可包含获客、运营等成本	通常扣除实际发生的成本
用途	长期业务规划、投资决策	短期用户价值评估、成本回收分析

2. CLV 的核心公式

• 基础公式：
  

• 预测简化版（常用）：

3. CLV 的关键作用

• 指导长期投资：

  • 若 CLV > CAC（客户获取成本），说明用户能为企业带来长期利润。
  • 例如：电商用户首单利润为 $100，预计后续每年贡献 $50，留存 3 年 → CLV = $100 + $50×3 = $250。

• 优化用户分层：

  • 高 CLV 用户应优先获得VIP服务或定向营销。
  • 低 CLV 用户可考虑减少服务投入或优化转化策略。

• 产品定价策略：

  • SaaS 企业可通过提高续费率延长用户生命周期（如从每年订