1704223467
1704223468
运营成本= 5 000 000×12 = 6 000（万元）
1704223469
1704223470
利润= 3 600– 6 000 = –2 400（万元）
1704223471
1704223472
可见，尽管这个平台一年有接近10亿人民币的流水，但实际确认收入后，它居然还亏损了2 400万元。
1704223473
1704223474
这就是在线教育和电子商务在商业模式上的巨大不同，或者说，只要是采用高客单价、预付款模式的交易模型，都存在这样的差别。
1704223475
1704223476
至于没有收入的产品，我就不再列算式了，因为它很可能就是亏本的。
1704223477
1704223478
在线教育产品的忠诚用户可能并不仅仅是复购用户，还有那些不找平台退款，甚至以较快速度完成了课时消耗的用户。因为频繁使用产品的用户能够快速为产品提供确认收入，这才是产品能够继续存活的关键要素。同时，只有更快地完成预付课时的消费，才能更快地来到复购节点，为平台增加现金流。
1704223479
1704223480
所以，此类产品优先考虑的是现金流的滚动，而不是实际确认收入的增加，于是它们考核用户忠诚度的方式自然就会不一样了。
1704223481
1704223482
在线教育产品在考虑用户的忠诚度时，会走入另一个衡量标准：高净值用户未必就是付出更多预算、购买更大课包的用户，而是那些在实际消耗预付课程时，更快速地消耗课程的用户。此外，在线教育产品还要考虑用户通过推荐他人的方式为产品带来的现金流的贡献。
1704223483
1704223484
不过，即使这样，我们仍然可以运用RFM模型对这样一款在线教育产品做一个简单的关于用户层级的模型。
1704223485
1704223486
要使用RFM模型，我们必须进入第一步——在原有模型的基础上，重新定义R、F、M。
1704223487
1704223488
R：最近一次消费课时距离统计当日的时间
1704223489
1704223490
F：最近7天消费课时数
1704223491
1704223492
M：统计消费课时带来的确认收入
1704223493
1704223494
举例来说，我们拿到一张数据表，里面包括了所有付费用户近一年的数据：用户ID、最近一次消费课时距离统计当日的时间、最近7天消费课时数、当年累计消费课时数、课时单价和统计消费课时带来的确认收入。
1704223495
1704223496
首先统计最近一次消费课时距离统计当日的时间及相应用户数（见表4–3）。
1704223497
1704223498
表4–3 不同天数对应的用户数据
1704223499
1704223500
1704223501
1704223502
1704223503
接下来就要为R赋值了。我们使用固定分组法，定义消费课时的时间距离在24小时内的用户的得分最高，分值为5；消费课时的时间距离在48小时内的用户的得分次之，分值为4；消费课时的时间距离在72小时内的用户的得分为3；消费课时的时间距离在96小时内的用户的得分为2；其他情况的用户的得分为1（见表4–4）。
1704223504
1704223505
表4–4 不同用户的R值评分
1704223506
1704223507
1704223508
1704223509
1704223510
接着我们得到了1 405个用户的R值平均分为2.69，这时我们就可以认为：R值评分高于2.69的用户在R值表现上是高的，而低于2.69的用户在R值表现上就是低的。如果我们进一步对数据分箱，就会发现大概有880个用户的表现是处于R的高值的，但有625个用户属于R的低值用户。
1704223511
1704223512
运用同样的方法，我们也可以得到F和M两个值的均值，以及对应的高值用户和低值用户的数量，再通过前文中的表格（见表4–2）就可以清楚地知道用户的分箱分组情况了。
1704223513
1704223514
1704223515
1704223516