【实战案例】手把手教你如何利用RFM模型和数据分析拆解业务问题

4 评论 4859 浏览 5 收藏 12 分钟

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。

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:

【实战案例】手把手教你如何利用RFM模型和数据分析拆解业务问题

计算得到历年“双11”回购率变化如图所示:

【实战案例】手把手教你如何利用RFM模型和数据分析拆解业务问题

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<R≤730。

不同R值的基数用户“双11”回购情况如图所示:

【实战案例】手把手教你如何利用RFM模型和数据分析拆解业务问题

下一个拆解维度是F,它是RFM模型中的“购买频次”,也就是基数用户在“双11”之前的两年里购买的次数。先粗略拆解为F=1与F>1。理论上来说,购买次数多的用户越活跃,回购率高。

如图所示:不同F值的基数用户“双11”回购情况。

【实战案例】手把手教你如何利用RFM模型和数据分析拆解业务问题

对比2018年“双11”的回购率发现,2019年“双11”整体(合计)回购率下降了4.46%(对应表4-2第3行合计的回购率同比变化值是-4.46%)。

【实战案例】手把手教你如何利用RFM模型和数据分析拆解业务问题

从上图可以看出,无论R≤365还是365<R≤730分组都没有呈现类似的下滑趋势:R≤365组完全持平(对应表4-2第1行回购率同比变化值是0%),365<R≤730组甚至略有提升(对应表4-2第2行回购率同比变化值是1.67%)。

初步结论是不同R值的基数用户回购率没有下降,R值不能定位回购率下降的原因。为了尽快找到关键影响因素,暂且放下R值,去尝试其他维度。

【实战案例】手把手教你如何利用RFM模型和数据分析拆解业务问题

这两组用户在2018年与2019年的回购率有了更明显的区别,2019年购买次数为一次的用户(F=1)的回购率同比降低9.27%,而购买多次的用户(F>1)回购率同比只减少0.81%。

对比总体回购率降低4.46%来看,F=1组基数用户的波动较为突出。(其实不用太多业务经验,用常识去想“只购买过一次的用户转化为二次复购比较困难”也是大多数人能理解的情况,几乎所有店铺的销售构成中F=1的用户也占大头。)

原因定位:

相比上一次R值拆解,F值拆解带给我们更有价值的洞察:仅购买一次的基数用户回购率下滑较大,造成已购用户2019年“双11”的整体回购率降低。这是一个突破口,接下来可以对F=1的基数用户进行更细的分组、更深入的分析。

定位F=1的基数用户存在问题后,把这部分人单拎出来,按不同R值分成多组,这次不像最开始尝试R值拆分那样粗略分组,而要尽可能细地拆解,仔细对比各组回购情况找到核心原因。

为什么不继续使用RFM中没用到的最后一个指标M(累计购买金额)?其实累计金额一定程度上已经由购买频次反映了,累计金额=客单价×购买次数,由于要拆解的用户过去两年只购买了一次,单笔客单的差距不大,应该是相对集中的一个数值,无法达到分组的效果。

如图所示:细化分组F=1的用户“双11”回购情况。

【实战案例】手把手教你如何利用RFM模型和数据分析拆解业务问题

黄色单元格中是回购率同比下降最大的值,是造成F=1的用户回购下降的主要原因,它对应的组是90<R≤180。

R代表“回购间隔”,等于“用户最近一次购买日期-上一次购买日期”的天数差。由2019年11月11日减去90天和180天,倒推得出该区间用户的上次购买时间介于2019年5月中旬至8月中旬。

同时,另一个重要特征是F=1,也就是这段时间内首次购买的新用户。

该店铺是服饰类目,根据品牌特性和电商平台节奏,5—8月的主要活动有两项:“618”大促和7月秋季上新。

于是,可以提出假设:这两次活动引进的新用户质量产生了问题。

可以对比用户一年复购率、加入会员的比例、互动率、短信响应率等指标,如图所示:

【实战案例】手把手教你如何利用RFM模型和数据分析拆解业务问题

最终得到结论,2019年“618”大促带来的新用户有大量用户未留存下来,这些新用户来源主要是平台的推广页,例如“9.9元秒杀”“叠猫猫游戏”等曝光量大的广告吸引来许多低价尝鲜用户。

当然可以筛除这部分用户后做进一步验证(这里不再展开分析)。

关于“回购率下降”的分析结束,我们可以从以下维度思考并设计一套针对本次分析结果的解决方案:

根据分析结果,问题出在该店铺在今年平台大促引入购买一次的新用户后续复购转化不足。在获客成本居高不下的市场现状,做好留存和转化的成本远低于拉新的投入成本,所以建议为这次的目标用户设计具有针对性的专享召回活动,仅对这部分用户展示。

活动突出“即时激励+复购挑战+长期复购”的权益,由于该部分用户的复购意向较差,极有可能变成流失用户,建议适当给与这批用户更有诱惑力的优惠力度、更多的触达方式、以及更好的服务政策用以进行召回转化,并延长其生命周期以达到提升LTV的效果。

 

本文由 @产品经理的取经路 原创发布于人人都是产品经理,未经许可,禁止转载

题图来自 Unsplash,基于 CC0 协议

给作者打赏,鼓励TA抓紧创作!
更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 学习思维了,多谢

    回复
    1. 更多文章分享可以关注公众号:产品经理的取经路 哦~

      回复
  2. 仔细看完文章下来,学习到了很多,感谢作者的分享,希望大家都继续加油。

    回复
    1. 更多文章分享可以关注公众号:产品经理的取经路 哦~

      回复