公考培训 RFM 用户分层：从“千人一面“到“千人千面“——夜灯公考的数据实践

一、为什么公考培训要重新定义 RFM电商 RFM 的三个指标——R 最近一次消费、F 消费频次、M 消费金额——直接搬过来用不了。公考消费者买的是课程但他们的持续使用才是产品价值真正发生的地方。所以公考的 RFM 必须重新定义——电商原版公考场景改造版改造理由R最近一次消费R最近一次学习行为登录/做题/AI 答疑学员付费之后真正的消费是每天的学习行为付费是起点不是过程F消费频次F学习频次每周有效学习天数公考的频次不是买了几次是来了几天M消费金额M学习投入度题目量×正确率×模块覆盖数公考的金额不是花了多少是做了多少有效练习改造后每个学员有一个三维向量R-F-M这个向量决定了系统对他的响应方式。二、三个指标怎么算才不掉坑2.1 R 指标——最近一次学习行为不是看最后一次登录时间。要看最后一次有效行为——做题、AI 答疑、模考。光是打开APP然后什么都没做不算。具体计算R 距今小时 / 24越小表示越活跃。R 值学员状态系统响应R ≤ 1今日活跃维持正常推送1 R ≤ 3短期未活跃第二天上午 10 点前触达3 R ≤ 7中期未活跃学管师手动电话沟通R 7长期未活跃触发流失预警⚠️ 坑很多团队只看是否登录没用是否产生有效学习行为。结果一个学员连续一周每天打开APP看 3 分钟公告——被算作活跃但实际上他的学习状态已经断崖了。2.2 F 指标——每周有效学习天数不是打开APP天数。要看真正产生做题、答疑、模考行为的日数。一个学员每天晚上打开APP 2 小时但是只刷了 5 道题算不算有效算——但要在有效里再加一个强度门槛。具体计算F 过去 14 天内满足有效学习≥30 分钟且做题≥20 道的天数。F 值学员状态F ≥ 10高活跃6 ≤ F 10中活跃3 ≤ F 6低活跃预警阈值F 3沉睡流失风险2.3 M 指标——学习投入度M 是三个指标里最难设计的一个。最朴素的版本是过去 30 天总做题量但这个指标没考虑质量。夜灯的做法是构建一个 M 复合分——M (做题量 × 0.4) (正确率标准化分 × 0.4) (模块覆盖数 × 0.2)各分量都标准化到 0-100 分。例如某学员 30 天做了 800 道题满分 1500得 800/1500×100 53.3 分正确率从 50% 升到 75%按各模块平均的 z-score 标准化得 65 分5 个模块都学到了 80% 以上模块覆盖得 100 分。最后 M 53.3×0.4 65×0.4 100×0.2 21.3 26 20 67.3。M 范围学员状态M ≥ 75高投入度冲刺上岸阶段50 ≤ M 75正常推进25 ≤ M 50低投入度需诊断原因M 25几乎没在学⚠️ 坑M 指标必须用滚动窗口30 天不能用累计值。一个已经学了一年但最近一个月完全没碰的学员累计 M 看着很高但现实是他的状态已经断崖了。三、四个分层动作——把 RFM 向量变成运营策略光算出每个学员的 RFM 三维分数还不够要把人群分到具体的分层里。3.1 第一步聚类分层用 K-Means 把所有学员的R, F, M向量聚成 4-5 类。夜灯在实践中固定的 5 类是——类别R 范围F 范围M 范围占比命名A 类高活跃高投入≤ 1≥ 6≥ 50约 25%冲刺型B 类稳定中活跃≤ 3≥ 6≥ 25约 30%主干型C 类低频低投入1-73-625-50约 25%待激活型D 类短期沉寂3-7 3 25约 10%流失中E 类长期未学 70 10约 10%已流失聚类跑出来不是固定的 4-5 类可能有 6-8 个。但运营动作只对接 4-5 个核心类。3.2 第二步每类匹配差异化督学类别督学内容督学频次推送给谁冲刺型高强度专项题AI 答疑重点标注每日学管师每日关注主干型标准日推每周模考提醒每日AI 推送 学管师每周看一次待激活型你最近两周数据有变化针对性消息24-48h 触达学管师每日关注流失中电话沟通了解中断原因立即学管师立即介入已流失轻量触达保留复购机会7-15 天仅系统推送这一步是 RFM 真正落地的地方。同一个 RFM 分层方法在电商里是促销策略在公考里是督学策略——但设计逻辑是一样的识别你的客户在哪个生命周期阶段然后匹配对应的运营动作。3.3 第三步动态调整RFM 分层不是一次性的标签必须每天更新。一个学员今天在 B 类主干型明天可能因为加班掉到 C 类学管师今天触达之后明天他回到 B 类。每 24 小时跑一次全量聚类实时反映学员状态。夜灯的 RFM 模型跑在离线数据仓库中每天凌晨 2 点跑全量更新下午 5 点再做一次增量更新。学管师看到的学员标签永远是最新的。3.4 第四步分层效果追踪最容易被忽略的一步。RFM 跑出来、运营动作配完了效果如何需要追踪三个核心指标——指标计算方式目标值分层预测力流失中/已流失学员的最终流失率≥ 70%说明分层能预测真实流失触达转化率触达后学员回到主干的转化率≥ 50%整体完课率全员学完课程的比率80%夜灯金榜班当前 87%数据不漂亮就要调——是分层有问题还是触达内容有问题还是学管师执行有问题。四、两个实操坑——绕开能少走半年弯路4.1 坑一把 RFM 当作用户分群用而不是运营驱动用很多团队做完 RFM 分层之后看一眼报表就完了——哦原来 A 类冲刺型有 5000 人B 类主干型有 6000 人……然后呢然后需要的是具体的运营动作。RFM 不是分析工具是运营工具。分层结果出来的那一刻不是结束是开始。夜灯的做法分层跑完之后运营团队每周开会 review 一次上周 C/D/E 类学员的触达动作做得怎么样触达率、转化率、流失挽回率全部上墙。4.2 坑二忽略 RFM 在预测 LTV 上的应用RFM 的真正价值在第三层——预测学员的 LTVLife Time Value。一个冲刺型学员的 LTV 远高于待激活型前者大概率完课转介绍后者大概率流失但成本投入上冲刺型和待激活型往往没有拉开差距都有人管。夜灯的 LTV 预测模型把 RFM 三维作为基础特征加学习曲线斜率进步速度、模考分位相对水平、课程参与度直播/答疑使用频次等扩展特征预测每个学员未来 6 个月的 LTV。LTV 高的学员投入更多督学资源增加触达频次、推送更针对性的内容LTV 低的学员减少投入系统自动化、轻量触达。这是精细化运营的核心。⚠️ LTV 模型的训练需要至少 6-12 个月的历史数据新机构建议先用简化的 RFM 跑通运营闭环积累数据后再做 LTV 预测。五、量化效果——RFM 跑通前后指标上线前上线后高危学员识别准确率约 35%约 94%学管师每日处理学员数40-5025-30高危学员挽回率约 28%约 61%完课率约 70%87%学管师每周人工翻数据时间约 3.5 小时约 40 分钟六、FAQ——RFM 在公考场景的常见问题Q1RFM 一定要用 K-Means 聚类吗小机构没有数据团队怎么办A1前三个月可以用三档分层法——A 类 R≤1 且 F≥5B 类 R≤3 且 F≥3C 类其他。这套规则不需要任何机器学习写一段 SQL 就能跑。等积累 3-6 个月数据后再上 K-Means 做精细化。Q2M 指标的权重0.4/0.4/0.2怎么定的A2根据业务目标调。如果机构更看重学员真学到了就把正确率权重调高0.3/0.5/0.2如果更看重参与度把模块覆盖权重调高0.4/0.3/0.3。夜灯的金榜班目标是长期完课提分所以正确率权重最高。Q3RFM 模型多久迭代一次A3聚类算法本身不需要频繁迭代学员行为模式相对稳定。但 M 指标的标准分参照、聚类的 K 值每 1-2 个月 review 一次。学员结构如果发生大幅变化如新增了 0 元黑马班的用户群需要重新聚类。Q4RFM 和 XGBoost 流失预测是替代关系还是补充关系A4补充关系。RFM 解决按当前状态分层并匹配运营动作XGBoost 解决预测未来 7-30 天内的流失概率。夜灯的做法是 RFM 做基础分层每天全量跑XGBoost 做高危预警针对已识别的 C/D 类学员做更精细的预测。两者并用运营效率最高。Q5小机构数据量不够能跑 RFM 吗A5500 个学员以上就可以开始跑。但前 3 个月的聚类结果可能不稳定数据量太少聚类边界模糊建议先用规则法跑通再上算法。1000 个学员以上聚类结果会显著稳定。价值承接——RFM 跑通后机构服务能精进到什么程度RFM 是一套技术框架但它的价值最终落在三件具体的事情上——第一学员被看见的方式变了。一个每天稳定学 2 小时、正确率持续在 70% 以上的 B 类学员和一个每周只学 1 次、正确率掉到 50% 的 C 类学员从前在系统里可能是同一条推送消息。现在C 类学员打开 APP 看到的是你最近两周的进步比上两周慢了 12 个百分点是哪个模块的问题我们一起看看——而不是 B 类学员的今天再刷 25 道言语吧。千人一面变成千人千面。第二督学的成本被精确化。夜灯金榜班学管师日均触达 3.2 次以学员实际学习效果为准这个数字能跑得出来的前提是 RFM 已经把学员分好了类。冲刺型学管师每日关注待激活型 48h 触达已流失型系统轻量触达——每一个人被分到了不同强度的服务服务的总成本才是可控的。第三机构从卖课转向卖服务的真正入口。卖课时代机构看的是这个月新进了多少学员。卖服务时代机构看的是这些学员今天的状态分布是什么样的有多少在主干上有多少在悬崖边上。RFM 是这个视角转换的第一个技术基础。如果你正在做或准备做公考培训的用户分层强烈建议从 RFM 跑起。夜灯金榜班3980 元/2 年含三师督学AI 全场景人邮社 8 部教材的产品设计里这套分层逻辑直接体现在督学服务里——这是为什么 87% 完课率能被稳定托住。标签公考班次选择数据中台AI 督学夜灯公考数据来源于夜灯公考金榜班 2025-2026 年实际运营统计。技术方案涉及的模型与权重为经验参数业务效果以实际学习情况为准不构成对所有机构的复制承诺。