大规模用户运营的rfm模型.pdfVIP

大规模用户运营的rfm 模型 问题1 ：你现在是滴滴的一名运营。若要利用RFM 模型对滴滴的用户进行分层，你会如何 设计各个数据字段（R、F、M 分别代表什么）？ 各数据字段代表意义： R （距离最近一次的交易）定义为上一次打车时间（天） F （交易频率）定义为30 天内打车次数 M （交易金额）定义为30 天内每次打车的平均金额 问题2 ：假设我们定义R 为上一次打车时间（天），定义F 为过去30 天内打车次数（可以思 考一下为什么不是历史打车总数呢？），定义M 为过去30 天内每次打车的平均金额。根据 这一定义，我们收集了过去30 天内至少打过1 次车的 10 万典型用户的这三项数据，请根 据这张表格和RFM 模型，对这10 万用户进行分层，并制定相应的运营策略。 RFM 模型的建立： 1、定义RFM 各个指标下的分档标准 1）R 分档标准的确定：对给出的数据采用数据透视表统计0-30 天内的各天数出现频次，具 体数据见下图： 根据数据统计，将R 分为：1-6 天、7-11 天、12-16 天、17-20 天、21-31 天五个区间。 2）F 分档标准的确定： 对30 天内打车次数进行整理，得到如下数据表格。 根据上述数据特点将F 分为如下五个区间：1-10 次、11-16 次、17-21 次、22-30 次、31-36 次。 3）M 分档的确定： 61-80 元、81-120 根据整理的数据将M 分为如下五个区间：14-25 元、26-40 元、41-60 元、 元。 总结上述数据分析可得： 2、分别计算出每条记录的R、F、M 值及平均值，对每条记录的值进行判断 1）计算R、F、M 的值及平均值（仅展示前20 条） 2）根据平均值判断R、F、M 值与平均值关系 3）根据比较值，进行八大类的归类 3、用户层级可视化展示 运营策略制定： 具体分析如下： 1）一般挽留用户 用户特征：用户在模型中人数占比最高，其特点为最近一次打车时间间隔长、30 天内打车 频次低、每次打车平均金额低，用户流失比例高。 策略：全面刺激 具体措施：推送优惠劵，刺激消费、提升活跃。主要方式包括：App 推送红包/优惠劵；短 信发送召回文案，同时赠送优惠劵；节假日等重要节点发送限时福利 2）一般价值用户 用户特征：占比为 14.72%，其特点为打车频次高、最近一次打车时间间隔短，但打车平均 金额低。 策略：提升消费力度 具体措施：充值满一定额度送优惠劵活动；推送更优质的专车服务，引导形成新的消费习惯； 3）一般发展用户 用户特征：占比 13.14%，其特点为最近一次打车时间间隔短，但打车频次和平均打车金额 低。 策略：刺激消费频率和力度 具体措施：组建用户激励体系，如会员等级、积分商城，通过福利、身份标签等培养其消费 习惯；推送充值满送活动；不定期进行用户回访，赠送福利 4)一般保持用户 用户特征：占比3.97% ，特点为最近一次打车时间间隔短、平均打车金额低，但打车频次高。 策略：提高留存促进消费力度 具体措施：发送优惠劵，刺激消费；用户激励，推送会员体系，提升活跃 5）重要价值用户 用户特征：占比10.05%，特点为最近一次打车时间间隔短、打车频次和平均打车金额高。 策略：保持好现状 具体措施：完善会员体系，继续优化该类用户的专属权利，提升品牌忠诚度；每日推送与出 行相关的新闻，日常任务等，保持现有活跃度；分析该用户群体具体出行数据，引导使用更 优质的专车服务；在重要节日及用户生日等节点，发放福利 6）重要挽留用户 用户特征：占比8.87%，特点为最近一次打车时间间隔长，打车频次低，但平均打车金额高。 策略：提升留存，刺激消费频率 具体措施：推送优惠套餐，如打车满XX 次赠送大额优惠劵；分析用户打车时间数据，扩大 用户出行场景，培养其打车习惯，如赠送限时优惠劵（包括节假日、特定时间段等）；用户 打车完成一次，赠送第二单88 折优惠劵等；重要时间节点，如节假日发送关怀文案 7）重要发展用户 用户特征：占比7.12%，特点为最近一次打车时间间隔短，打车频次低，但平均打车金额高。 策略：刺激消费频率 具体措施参考重要挽留用户 8）重要保持用户 用户特征：占比1.16%，特点为最近一次打车时间间隔短，打车频次和平均打车金额高。 策略：提升留存 具体措施：对该类用户采用问卷调研等形式了解其最近没有使用软件的原因，针对调研情况 制定相应留存策略。常见策略包括发送优惠