すごいですね！ RFM モデルはこのように使用できることがわかります。

RFM は非常に伝統的なデータ分析モデルです。 RFM を超えて、ユーザーシナリオに関する詳細な調査を実施するにはどうすればよいでしょうか?

多くの学生が RFM を見たいという希望を表明し、今日それが実現しました。 RFM は非常に伝統的なデータ分析モデルであり、ほぼすべての記事で言及されています。しかし、市場では誤用や不正確な使用例が多く見られます。今日は体系的にお話ししましょう。

1. RFMの基本原則

RFM は 3 つの単語「Recency」の略語です。データを取得する際は、通常、店舗内での消費がない期間（7日間、30日間、90日間など）など、最新の消費記録と現在の時刻との間の間隔が取られます。直感的に、ユーザーが長期間ストアで買い物をしていない場合は、何らかの問題が発生しているはずなので、何らかの対策を講じる必要があります。多くの企業のユーザーウェイクアップメカニズムはこれに基づいています。

一定期間内の消費頻度（頻度）。データを取得する場合、一般的には一定期間内のユーザーの消費頻度になります。たとえば、1 年間に消費する月が何月あるか、1 か月に店舗を訪れる日数が何日あるか、などです。直感的に言えば、ユーザーが頻繁に消費するほど、忠誠心が高まります。多くの企業のユーザーインセンティブの仕組みはこれに基づいて策定されています。一度購入したら、もう一度購入してもらいたいのです。

一定期間内の累積消費量（金額） 。データを取得する場合、通常は一定期間内のユーザーの消費量になります。たとえば、年間の消費量はどれくらいか。直感的に、購入するユーザーが増えるほど、価値は高まります。多くの企業のVIPメカニズムは、合計 10,000 元のシルバーカード、合計 20,000 元のゴールドカードなど、この指定に基づいています。

したがって、これら 3 つの側面を個別に見ても、すべて非常に意味があります。もちろん、3次元を横向きに見る方法もあります（下の図のように）。

RFM は時間に関連しているため、多くの学生はデータを取得するときに時間をどのように分割するかに苦労します。厳密に言えば、ビジネスが基本的であればあるほど、また消費頻度が高いほど、時間は短くなるはずです。最も典型的な例は生鮮食品です。人は毎日食事を摂る必要がありますが、7日間食事を摂らないと問題が生じる可能性があります。通常の日用消費財小売業では 30 日かかる場合がありますが、衣料品や百貨店の小売業では 90 日かかる場合があります。

もちろん、より一般的なのは月単位で服用することです。例えば、Rは月単位で取得され、FとMは直近1年内の値に基づいて計算されます。これは単に理解しやすいという理由で行われます。

RFM は本質的に、3 つの分類次元を使用して判断基準を見つける方法です。 3 つの次元を組み合わせて計算することで、ユーザーが良いか悪いかを判断し、それに応じた対策を講じることができます。

RFMの本当の意味は、トランザクションデータからユーザー価値を推測する方法なので、非常に実現可能です！データ分析における最大のボトルネックはデータ収集であり、通常の企業であれば取引データが必ず存在することを知っておく必要があります。

したがって、企業が統一されたユーザーID認証の仕組みを構築すれば、ユーザーIDと取引データを関連付け、RFMを使用してユーザーを分析することができます。ポイントやウェブサイト、基本情報を埋め込まなくても可能です。便利で使いやすいツールです。

もちろん、便利で使いやすいツールには必ず欠点があり、RFM モデルも例外ではありません。

2. RFMの最大の欠点

RFMの最大の欠点は、ユーザー ID の統一認証にあります。これらの言葉を過小評価しないでください。多くの企業では達成するのが非常に難しいからです。たとえば、スーパーマーケットやチェーン店、お店に何かを買いに行くと、レジ係が機械的に「会員カードをお持ちですか？」と尋ねることがよくあります。答えが「いいえ」であれば、彼女はあなたを解放するでしょう。その結果、通常、オフラインストアの注文の 70% ～ 90% はユーザー ID に関連付けることができず、ユーザーデータ全体が失われるという重大な事態が発生します。 RFM を直接適用すると、ユーザーの行動を誤って判断してしまう可能性があります。

複数の会員カードを持つユーザーが順番に割引を受ける、複数のユーザーが1枚のVIPカードを使用して最大の割引を受ける、店員が身分証明書なしで注文して割引を受けるために親戚のカードを使用するといったことは、実店舗でもインターネット企業でも当たり前のように後を絶たない。

したがって、 RFMモデルを作成するときに、タイプ 111 のユーザーが実際に見つかった場合は、10 件中 9 件で問題が発生するため、あまり早く喜ばないでください。今日の企業は、Tmall、JD.com、自社のWeChatモール、Youzanなど、複数のプラットフォームを同時に運営することが多く、統一認証がより困難になっています。しっかり計画を立てないと、終わりのない補助金の罠に陥ってしまう可能性が高くなります。

3. RFMのより深刻な問題

たとえ統一されたユーザー ID 認証が行われても、RFM にはより深刻な問題が残ります。

RFM モデルの 3 つの基本的な前提を確認しましょう。
R: ユーザーが長く滞在するほど、解約のリスクが高まります。
F: 利用頻度が高いほど、忠誠度が高い
M: ユーザーが購入するほど価値が高まります

ここで反対の質問です: これら 3 つの仮定は有効でしょうか?特定の業界、特定の製品、特定の活動という文脈で見なければ、それは真実であるように思われます。しかし、詳しく議論してみると、多くのシナリオがこれら 3 つの仮定を満たしていないことがわかります。したがって、製品やアクティビティと組み合わせずに単にRFMについて話すだけでは、バグが発生する可能性が高くなります。

R: ユーザーが長く滞在するほど、解約のリスクが高まります。

衣料品などの季節消費品の場合、ユーザーにとって2〜3か月のギャップがあるのは正常です。

携帯電話やタブレットで駆動する新製品の場合、間隔時間は基本的に製品の更新サイクルに従います。

家具や住宅、自動車などの大型耐久財の場合、ユーザーは生涯に 2 回しか購入しないため、R は意味を持ちません。

プリペイド決済でカードをスワイプするモデルの場合、R は存在しないため、検証データに置き換える必要があります。したがって、R は必ずしもユーザー損失のリスクがあることを意味するわけではなく、特に埋め込みデータが存在する今では、ユーザーのインタラクション動作によって問題をより適切に説明できます。

F: 利用頻度が高いほど、忠誠度が高い

ユーザーの消費がイベント、休日、誕生日、週末などのイベント主導型である場合...

ユーザーの消費が、割引があるときに購入するなどの活動によって促進される場合...

ユーザーの消費量が固定されている場合、たとえば、購入する薬の量が 30 日分であれば...

上記の状況では、F の値が不安定になり、ランダムに生成されたり、人為的に操作されたりする可能性があります。多くの企業は RFM モデルを厳格に実装し、ユーザーに 4 回の購入を奨励するなど、固定の F 値を設定することがよくあります。これは、4 回以上購入するユーザーは非常に忠実であるというデータがあるためです。その結果、ユーザーは注文を人為的に分割し、最終的に F 値が上昇して利益が減少します。

M: ユーザーが購入するほど価値が高まります

ユーザーがお買い得品を探していて、割引があるときに買いだめするとしたらどうでしょうか?

ユーザーが大量に購入して飽きてしまったり、もう十分だと思ったらどうなるでしょうか?

ユーザーが耐久消費財を購入する場合、注文してから 10 年以上、20 年以上待たなければならない場合はどうなるでしょうか?母子向け商品やゲームなど、ユーザー消費自体にライフサイクルがあり、そのライフサイクルの終わりを迎えてしまったらどうなるでしょうか。

多くの場合、ユーザーが過去にたくさん購入したからといって、将来もたくさん購入するとは限りません。これら 2 つは同等ではありません。したがって、011、001、または 101 の番号を持つ顧客が実際にいる場合は、急いでクーポンを送信しないでください。重要なのは、何が問題なのかを理解することです。

個々の次元の問題に加えて、3 つの次元を一緒に表示した場合にも問題が発生する可能性があります。これは、多くの企業のユーザー構造がピラミッド型ではなく、エッフェル塔型であるためです。つまり、最下層に非アクティブユーザーが集まりすぎており、非アクティブユーザーのほとんどは1つの注文しか持っていないか、数回ログインしただけで失われます。したがって、RFM が本当に 8 つのカテゴリに分かれている場合は、000 以上のユーザーの割合が特に高くなる可能性があります。

これは、現在生き残っているユーザーが生存者バイアスの結果である可能性があり、既存の 111 が 000 の将来ではないことを意味します。なぜ非アクティブユーザーが大量に蓄積されたのかをより深く分析し、問題を解決するにはプロセスを根本から変更する必要があります。これは単に RFM を機械的に応用したものです。これにより、ビジネスが行き詰まる可能性があります。

4. RFMの典型的な悪用

RFM 自体に問題はありません。データが不足している場合 (特に埋もれたデータが不足している場合)、RFM を使用する方が使用しないよりもはるかに優れています。 RFM の 3 つの次元はそれぞれ有用です。 RFM の全体的な構造は、ユーザー操作の全体的な品質を評価するのにも適しています。間違いは、詳細な分析を行わずに RFM を機械的に適用することです。間違っているのは、顧客が高額な買い物をするのを見ると「よくも」と叫び、顧客が買わないのを見ると急いでクーポンを発行するという愚かな行為です。単にクーポンを配布するだけでは、マーケティングコストが大幅に超過するだけでなく、RFM 値を良く見せるために、状況を利用して通常の業務を妨害するユーザーが増えてしまいます。

特に、オンライン記事やオンラインコースで最もよく教えられているのは、RFM に従って各セグメントを 5 つのセグメントに分割し、5*5*5=125 のカテゴリに分け、K 平均法クラスタリングを使用して 5 ～ 8 のカテゴリにクラスタ化するというものです。このアプローチは完全に間違っています。

まず、K-means クラスタリングの後では、意味が明確な RFM の本来の利点さえも失われます。これら 8 つのカテゴリを解釈するのは非常に混乱を招きます。

第二に、これはデータのローリング更新を考慮していません。 1 週間または 1 か月後には、RFM インジケーターが変化します。毎日すべてのユーザーをクラスタ化していますか?

第三に、k-means クラスタリングは安定した分類方法ではなく、探索的分析には教師なし分類の方が適しています。 1 週間後、ユーザーは 2 つのまったく異なるカテゴリに分けられ、マーケティングおよび運用プランナーはポリシーを実装する際に非常に頭を悩ませることになります。毎日違うので、何を宣伝すればよいのでしょうか。

本質的に、オンラインコースとオンライン記事は完全にクリーン化された静的データテーブルを提供するため、他の部門と協力したり、継続的なシナリオを考慮したりする必要がなく、モデル + アルゴリズムのアプローチを選択しました。まあ、使えるかどうかは問題ではありません、一番大事なのは見た目が素晴らしいことです!

5. RFMをより便利にする方法

RFM の失敗の包括的なシナリオから、季節性、製品特性、プロモーション活動、休日イベント、ユーザーライフサイクルという 5 つの主要な要因がユーザー行動に影響を与えることがわかります。したがって、RFM に限定せず、ユーザーシナリオに関する詳細な調査を実施することが重要です。

これら 5 つの要素を学ぶことは想像するほど難しくないことに注意してください。たとえば、多くの製品には固有の相関関係があり、ビジネスに精通していればそれを理解することができます。たとえば、季節性や休日のイベントは本質的に時間と関連しています。そこで、ユーザーがログインして消費した時間をラベル付けすることで、分析が可能になります（下図参照）。プロモーションについても同様です。プロモーションは注文から直接識別できるため、ユーザーをプロモーションに敏感なユーザーとしてラベル付けすることも簡単です。

ユーザーライフサイクルではデータの収集が必要であり、最も重要なデータのみを収集する必要があります。最も典型的なユーザーライフサイクルは、母子医療業界での実践です。企業は間違いなく、妊娠週数という最も重要なデータを収集します。父親はこのデータについてよくわかっていないかもしれませんが、母親はこのデータについて非常によくわかっています。開始点がわかれば、フォローアップを計算できます。同様の例としては、慢性疾患管理や K12 教育などを行う薬局チェーンが挙げられます。