发生了什么事：
当今数字出版领域最热门的话题之一是寻找订阅的“圣杯”——许多领先的媒体公司已经表明，关键驱动因素是用户参与度。在衡量参与度方面，Facebook推出的“MAU”和“DAU”方法似乎仍然是最受欢迎的。
但对于 Deep BI 来说，这些方法并不具有可操作性。相反，Deep BI 从《金融时报》中汲取灵感，并使用 RFV 参与度评分：结合新近度、频率和数量的指标。
深入挖掘：
RFV的吸引力在于单一的分数，更容易遵循、比较和使用。此外，分数的每个部分都提供了可操作的有价值的指标：
- 新近度：衡量用户使用或未使用该产品的天数。此分数提供了采取措施吸引用户回访的信息。
- 频率：衡量用户在一段时间内使用产品的总天数，以评估用户的习惯以及流失倾向。该分数提供了用于建立用户例程的信息。
- 数量：以阅读的文章数量或使用交互的组合来衡量内容消耗。该分数有助于发布商为其用户提供良好的价值； Deep BI 认为它是最重要的使用指标。
Deep BI 已在其平台上发布了 RFV 指标。该公司的系统会实时计算用户每次与数字产品（应用程序、服务、网站等）交互时的参与度得分，并根据当前的参与度指标增强该交互。
使用参与度指标
使用 RFV、Deep BI 来跟踪参与度细分与订阅者、一段时间内的参与用户数量、流失风险、用户喜欢的内容类别、参与度最高的用户的天数、参与度最高的城市等。该公司使用这些 RFV 分数来：
- 定义自定义参与细分
- 定义自定义流失风险部分
- 统计每个段的用户数
- 计算段之间的动态（流量）
- 寻找关键的参与驱动因素
- 将参与细分与其他类型的细分（例如订阅产品）交叉。
底线：
Deep BI 使用 RFV 分数提供指标，帮助他们使用时事通讯、推送通知和广告等重新参与策略来发展付费、忠诚的用户群。该公司还使用该系统进行产品改进和更好的推荐系统。
