2的3次方等于多少(2的4次方等于多少)

上一篇文章介绍了构建用户系统的想法。在这里，我们将分别介绍如何量化用户价值。

在市场拓展前期没有思路的时候，营销和运营同事绞尽脑汁做活动，推出新品，蹭热点，做营销，不断拓展客户，回访维护客户感情。除了少数幸运的，大部分影响不大。真正用户少，最后都比羊毛党便宜。不同阶段，不同类型的用户有不同的需求。有的客户有便宜的计划，有的客户看新品，有的客户注重服务，营销运作全包。最后的结果很酷。

评分方式也很简单，就是对用户的精细化运营，通过各种运营手段提高不同类型用户在产品中的活跃度、留存率和付费率。如何将用户从一个整体拆分成特征明显的群体，决定了运营的成败。这里介绍的最经典的用户聚类工具之一是RFM模型。RFM模型是衡量用户价值和盈利能力的经典工具，它依赖于用户的上次购买时间、消费频率和消费金额。

应用RFM模型时，需要有用户最基本的交易数据，至少包括三个字段:用户ID、交易金额、交易时间。

RFM的含义:

R（Recency）最近一次消费时间：表示用户最近一次消费距离现在的时间。消费时间越近的客户价值越大。1年前消费过的用户肯定没有1周前消费过的用户价值大。F（Frequency）消费频率：消费频率是指用户在统计周期内购买商品的次数，经常购买的用户也就是熟客，价值肯定比偶尔来一次的客户价值大。M（Monetary）消费金额：消费金额是指用户在统计周期内消费的总金额，体现了消费者为企业创利的多少，自然是消费越多的用户价值越大。

基于这三个维度，每个维度又分为高低两种情况，我们构建一个三维坐标系。

(来自网络)

通过对图表的直观发现，我们把客户分成了2的3次方，也就是8组。

如果一个用户的最后一次消费时间是在很久以前，而且他没有再消费，但是累计消费金额和频率都很高，说明这个用户曾经是有价值的，这就是RFM模型中重要的客户留存。我们不希望他输，所以运营商会专门针对这类用户设计召回策略，这是RFM模式的核心价值。

当然，这里有一个默认的前提:

最近有过交易行为的客户，二次发生交易的可能性要高于最近没有交易行为的客户；交易频率较高的客户比交易频率较低的客户，更有可能发生二次交易；过去所有交易总金额较多的客户，比交易总金额较少的客户，更有可能发生二次交易。

举例说明:

以下是我过去一年的消费行为模拟(一年去两次蓝海之家突然出现在我脑海…):

假设当前统计时间为2019年12月31日，则可以通过简单的统计计算得出:

R值 = 12月31日 – 11月11日 = 50；F值 = 计数消费次数 = 4；M值 = 1200+300+900+2000 = 4400；

这里会遇到第一个问题:

r上次消费时间表示用户上次消费是从现在开始的时间，消费时间越近，客户价值越大。以上述方式计算出的R值越大，说明当前用户最近一次消费时间越远，用户价值越小，而F值和M值越大，用户价值越大。三组数据不在同一个描述维度上，R值、F值、M值之间存在一个数量级的差距，无法通过加减运算直观地衡量用户价值。

有两种处理方法:评分法和算法。

评分方法

根据三组数据各值的特点，评分方法是用5分制给每组数据分配一个评分值。R值的评分机制是R值越大，分数越小。具体评分规则可以根据经验设定评分区间，或者将数据平均分为5组，对应5个分值。

根据三组数据对应的得分值，计算得分值的平均值。大于或等于平均值的数据将被分配到高维，小于平均值的数据将被分配到低维。自然，三组数据的每一组都会分为高低组。交叉组合后，有上面提到的八种情况。然后，将三组数据对应的得分相加，计算出RFM的总价值。

评分机制的优势

在计算RFM总值时，解决了不同量级数据相加造成的权重不平衡问题。因为R值和F值在用户的交易行为中相对较小，如果三个值不加处理的累加，M值直接决定了总值的大小，R值和F值对总值影响不大，不能反映用户的真实价值。

以同样的数据为例:总RFM值= 50+4+4400= 4454。

可以看出，M 4400的取值直接决定了最终计算结果的大小，R和F的上一次取值对结果的影响基本忽略不计。采用评分系统后，R、F、M的值都映射到1到5的范围内，保证了数据的可比性。

分级制度的缺点

任务指标的设置需要资深的业务经验。什么样的高频计算，什么样的高值计算，都是体验，用户的消费数据是不断膨胀的。按照手动设置的划分区间，无法随着数据的不断扩大而自动适应，需要根据经验和数据反馈不断修正。

算法模式

该算法根据数据特征基于模型对数据进行处理后量化用户价值，分为高低维度划分和用户价值量化两个步骤。

第一步:划分高低维度。

根据数据的分布，数据分为高分组和低分组。这里的区分方式一般采用四分位数(一组数据从小到大排列，分成四等份，三个分界点的值为四分位数。中间位置的数字称为中位数。如果数组个数为奇数，则中位数为排序后的中间数。如果数组个数为偶数，则中位数是排序后中间两个数的平均值。)，而不是评分系统的平均值。

分位数的应用场景比平均值更广，因为大部分数据呈现长尾分布，80%甚至90%以上集中在低频低量范围，少数用户提供了大部分销量。用平均不能很好的体现数组的特性，长尾用户容易被平均。

举个例子:土豪身价2亿，屌丝产品经理身价20万。两者平均后，平均值为1亿元...

例子并不合适，但是可以看出，在很多数据呈现长尾分布的场景下，平均值并不合适。使用四分位数时，可以根据数据分布选择中位数、四分位数或四分之三位数，然后高于此数则归类为高纬度，低于此数则归类为低纬度。

这里有一点要注意！

因为R的值与用户的值成反比，所以高于分位数就认为是低纬度，低于分位数就认为是高纬度。

第二步:量化用户价值。

先解决R、F、M大小不均衡的问题，再计算RFM的总价值来量化用户价值。三组数据可以分别通过无量纲化处理映射到从0到1的区间，合理放大后相加。很多同学听到算法就晕了。这个方法我选了最简单的一个，只用到了我们初中学过的数学。逻辑很简单。在这里，我将向您介绍最小-最大归一化。

最小-最大归一化

首先粘贴公式:

在上面的公式中，min是数组中的最小值，max是数组中的最大值。只要把数组中的数据依次用上面的公式处理，发现原来的数组收敛到0到1的范围，不是很简单吗？

以下是我为您的示例随机生成的一组数据:

经过无量纲化处理后，第一组源数据收敛到0到1的范围，不同量级的数据可以归一化到同一个量级。归一化后的数据是一个位数非常大的小数，而一般用户对于极小的小数和极大的数是没有直观感受的。

所以这里我把所有的数据同比放大了100倍，把源数据扩大到0到100的范围，四舍五入，让数据更具可读性。经过这样的处理，数据从原来的不同数量级无法直观对比，归一化到0到100的范围，方便大家直观的计算出RFM的总值。

最后，计算RFM总值的公式如下:RFM总值= R值*(1)+F值+M值+100；

公式中，为了解决R值与F、M值统计维数不同的问题，将R值乘以负1，同时在末尾加100，保证数据结果不会为负。这样经过处理后，最终RFM的总价值落在0到400的范围内，这样你就可以通过分数直观的量化用户价值。

简而言之，RFM的最终目标是帮助企业提高运营效率和产值。上面介绍了两种方法，一种是通过经验人工划分用户群，另一种是通过数据挖掘给出业务运营建议。

以具体业务应用场景中的淘气值为例(均为个人猜测。如有不妥，请留言，谢谢)。

购物评分:是最近12个月购物金额的综合评分。每一单，每一天，每个月，每一种商品，每一家店铺都可以获得不同的最高分。另外，在高信誉商家购买的商品种类多，可以获得更多积分；奖励积分:奖励积分是指最近12个月购买商品类别的次数，是文字评价、图片评价、跟帖评价、分享点击数、参与次数、购买交易天数、持续购买月数的综合得分，反映真实的消费体验。奖励积分受购物积分正向影响，购物积分越高，奖励积分越高；基础分:基础分由当前信用等级决定。信誉等级越高，基础分越高，购物积分和奖励积分也越高。购物积分围绕用户过去12个月的消费记录，奖励积分围绕用户的实际互动行为，包括评价、分享、参与次数等。这里要强调的是，RFM模型不仅用于消费数据，还用于其他新花样，如:

互动行为：最近一次互动时间、互动频次、用户的互动次数；直播行为：最近一次观看直播时间、直播观看频次、观看直播累计时长；内容行为：最近一次观看内容时间、观看内容频次、观看内容字数；评论行为：最近一次评论时间、评论频次、累计评论次数等等等等。

这些只是我简单的想法。希望能给你更多启发。

淘宝用户根据淘气值分为三种:

普通会员：0 ≤ 淘气值＜ 1000；超级会员：1000 ≤ 淘气值＜ 2500；APASS会员：2500 ≤ 淘气值。

设置不同权益进行针对性运营，推出88会员时，淘气值高于1000分的用户可以直接用88元购买会员。同时在淘气值页面看到了88会员中心的页面【敬请期待】，结合88会员入口【花小分换大福利】的文案，相信淘宝未来会对88会员有新的运营动作。

最后，无量纲化处理的方法有很多，这里我介绍最简单的一种。喜欢学习的同学可以自己百度。

会员系列的第二部，经过两周的反复难产，终于完成了。

2的3次方等于多少(2的4次方等于多少)