付费用户分析（一）：RFM分析

2015-11-23

付费用户就是为我们的产品带来收入的人。了解付费用户行为的细微差别是很重要的：比如他们都买了什么，付费频率是怎样，花了多少钱等等。了解用户在上述行为中的感受是很重要的，用户投资了我们的产品是否让他们感到满意。实际上，在F2P网络游戏中玩家的每次付费都是投资：在一开始的时候玩家的付费，会在最后得到一个投资回报率（ROI），可以用货币化的方式衡量玩家体验的情绪。因此我们应该了解用户，即使他们是少数的投资者。

为了更好的了解用户的行为，了解付费用户的需求和分布，我们需要特别的分析方法和报告。今天我们将要谈谈RFM分析，就是一种了解付费用户结构的基本方法。

RFM的意思是：

R-Recency（近期）-最后一次购买是多久以前；

F-Frequency（频率）-购买频率是多少

M-Monetary（消费）-长期以来的购买总量

现在我们给每个付费用户的对应参数打上3个标记。规则如下，以三点量表作为用户评估的理论依据（相对而言：很好，一般，不好），但是在实践中我们往往会面对五点量表甚至十点量表用于RFM分析。为了看起来简单直观一些，让我们先看看三点量表系统的例子：

R=1，距用户最后一次支付已经过了很长一段时间；
R=2，距用户上次支付的时间相对较短；
R=3，用户最近才进行过支付
F=1，用户很少支付；
F=2，用户支付比较规律；
F=3，用户经常支付；
M=1，所有玩家的支付总和很少；
M=2，对项目来说玩家的支付水平适中；
M=3，玩家支付额巨大

当然，问题出现了：如何理解这种情况下的很久以前/最近，经常/很少以及多/少。可以从两方面回答这个问题：

1.专家评估。没人比我们更了解自己的项目。因此，我们可以自己定义 “很久以前”和“最近” 以及 “多”和“少”。比方说，“很久以前”是指一个月以前，“很少”是指每月一次或更少，“少”是指在整个充值历史中小于100卢布。

2.分位数和四分位数。让我们回到数理统计。根据其中一个参数整理我们的用户（比如，期间支付的总数），比如，所有付费用户中将排名前5%的用户定义为“多”。恭喜，我们已经获得了5%分位数的用户示例。我们还可以采用四分位数（四分位数=25%分位数的水平），评估第一个四分位数为“多”，最后的为“少”，以及它们之间的平均付款数。尽管如此，如果觉得即使使用分位数和四分位数仍不能进行主观的评估，可以回头再看看“专家评估”。

不管怎样，花一点时间在Excel（或其他地方），我们可以给每个用户的“近期”“频率”以及“消费总量”打上记号。

现在，到最有趣的部分了。

我们可以看看这些记号是如何分布在付费用户及其他用户。这可以帮助我们区分付费用户和制定更高效的营销策略，从而提高营收。

一个简单的例子

§ 近期有付费，但是很少（或者只有一次付费）---新的付费用户。这该怎么做呢？当然是表达我们的感激之情。我们的目标是刺激他们继续购买。很多调查研究指出，重复购买以及规律性的付费可以给APP带来上百万美元的营收。

§ 近期有付费而且经常付费---忠实用户。他们不需要额外的刺激，但我们可以找到一种方法去感谢他们的忠诚（意想不到的奖励，惊喜，或者简单的一句“感谢”---这些都很有用）。

§ 经常付费，但是已经是在很久以前了---忠实用户即将流失。话说，这些钱正在从我们指缝中溜走。我们的目的是提醒他们。有时候一个信息推送也许就够了；或者我们可以跟这些用户进行沟通，了解为什么他们离开了。

§ 很少付费并且已经是在很久以前了---流失的用户。这些并不是忠实用户。我们可以建议他们有所行动---对我们来说也许并不是有利可图---但这可以帮我们挽回用户并刺激他们继续消费。从另一方面来看，我们至少可以尝试寻找用户流失的原因，通过反馈来调整我们的产品。

想象一下下面的案例。

1.项目X想提高其收入；

2.通过RFM分析，表明：

①忠实用户的流失现象比较严重；

②绝大多数用户都只有一次付费

3.他们介绍到，一些项目可以识别用户在“仅有一次购买”停留时间过长的状态或者忠实用户停止付费的状态。在这种时候，我们可以试着给用户一个“难以拒绝的条件”（特别活动、打折扣等，在用户登录之后通过信息推送弹出窗口通知）；

4.重复购买的比例上升，更多的忠实用户留存下来。

5.利润。

这两个例子讨论到的关于操作的参数只有两个：近期因素，频率因素。

将货币参数添加到报告中可以让我们看到每个用户的付款数量。

除此之外，我们还可以进行基于用户数量的分析或营收的分析。

另外，我们还可以查看营收-近期的效果（用户付了多少钱，是多久以前支付的），以及营收-频率的效果（用户付了多少钱，他们支付的频率是怎样的）。

最简单的方法是给分析框架中的付费用户分配一个参数，从而区分用户和支付时间（长期-最近），频率（经常-有时-很少），总额（多-普通-少）。

特别要指出的是，分析F2P游戏中付费玩家的规模一般会将他们比作海洋深处的生物：

鲸鱼---付费很多的用户；
海豚---付费一般的用户；
小鱼---付费很少的用户。

我们在这里讨论的不仅仅只是一个付款金额，而是用户在支付历史中总体金额的累积。大的分化，平均金额和小金额的相关分析应再次基于专家评估。

通过分析每一部分的用户数量和每一部分带来的营收总数，我们可以知道哪些措施可以帮我们获得更大的利润。是降低价格、提高价格、还是关注大R用户的留存？

借助一些数据分析工具，我们可以根据支付总量将用户分类，从“大鲸鱼”到“小鱼”分为5个级别。特别要指出的是，通过举例表明，带来大部分收入的主要是“鲸鱼”和“大海豚”用户，因此，我们应该将营销的重点放在他们身上。

这只是分析付费用户的其中一种方法，更全面地分析付费用户可以帮助我们定制更成功的项目盈利计划。除此之外，我们依然面临着很多问题，比如：