双11|手把手教你如何利用RFM模型和数据分析拆解业务问题_

编辑导语：现在企业的获客成本越来越高，用户数据指标对于每个企业都是至关重要的指标，如何通过RFM模型可以帮助我们更了解用户，实现更精细化的策略设计？作者利用RFM模型和数据分析对业务问题进行拆解分析，一起来看看。

文章插图
现在互联网企业的获客成本越来越高，而用户的激活、转化、留存对于任何互联网企业都是至关重要的业务指标。通过RFM模型可以帮助我们更了解用户，实现更精细化的策略设计，下面我将通过一个案例分享如何利用RFM模型及数据分析拆解并解决业务问题。
案例背景：2019年“双11”结束后，某店KPI未达成。经过初步分析，11月11日首次交易的新用户数量可观，KPI缺口可能与已购用户销售表现不佳有关。现在需要找到问题的原因，并给出改进建议。
问题分析：回购率下降分析。
明确问题：

首先“双11”是一场典型的短周期大促，售卖时间只有“双11”当天，要使用的是大促回购率指标。
“KPI缺口可能与已购用户销售表现不佳有关”，说明分析对象是“双11”前已在店铺中有过购买的用户。
“已购用户销售不佳”，是指2019年“双11”和历年“双11”对比，发现2019年“双11”用户回购率下降，要找到下降的原因。

原因分析：

用多维度拆解分析方法拆解用户；
用对比分析方法对比不同层次用户的回购率变化，缩小目标范围后继续拆解与对比；
使用假设检验分析方法确认原因。

大促回购率怎么计算：
取大促前一段周期内购买的用户为监测对象——基数人群，计算他们在本次大促购买的比例。
具体到本次分析，由于该店在日常短信等沟通渠道主要触达近两年的购买人群，就以“双11”开始前两年内有成交的用户为基数，拉取他们在当年“双11”的回购情况，计算出2017年、2018年、2019年“双11”回购率。
逻辑如图所示：

文章插图
计算得到历年“双11”回购率变化如图所示：

文章插图
首先，从图中确实看到回购率连续下降的情况。虽然它是事实，但由于该店基数人群很大（图中可以看到2019年超过80万人），未经细分的展现也隐藏了很多真相。
其次，可以看出回购率并不是首次下降，而是2018年就出现了下降，但用户基数与“双11”回购人数其实一直在增长，说明情况还不算太坏。
第三，大促回购率=回购人数／基数，前面刚刚分析过，回购人数与基数都是增长但回购率却下滑，这是因为回购人数的增长慢于基数的增长。也就是说，可能在新增的基数人群中，有部分人回购表现不佳，拖累了整体，接下来分析的重点是找出这部分人。
下一步使用多维度拆解分析方法来拆解用户，通过对比不同类型用户的回购率，探索更多信息。
选择的第一个拆解维度是R值，它是RFM模型中的“最后一次购买时间间隔”。
举个例子：
如果小明在1月2日、3月2日、3月8日在天猫超市都购买过，分析天猫超市“38大促”回购人群时，小明距离“38大促”的最后一次购买时间就是3月2日，间隔R值为6天。R越小的用户活跃度越高，回购率也越高。
该店铺基数人群是近两年购买用户，也就是在“双11”前730天有购买的用户，可以先按年（1年365天）粗略把R值拆解成两组：R≤365和365
不同R值的基数用户“双11”回购情况如图所示：