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( 二 ) 资产|数字化|京东集团|运维|企

文章插图
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。

文章插图
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%）。

文章插图
从上图可以看出，无论R≤365还是365
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。

文章插图
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。

文章插图
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。
【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】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：

文章插图
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：