RFM分析

一句话解释：RFM 分析是一种用「最近一次购买时间（Recency）」「购买频率（Frequency）」「消费金额（Monetary）」三个维度给客户打分，从而把客户分成不同价值层级的方法。

生活化类比

想象你经营一家奶茶店，店里有 1000 个会员。你不可能对每个人都说同样的话、发同样的券。RFM 就像给每个顾客贴三张标签：

- 他上次来是几天前？（R）

- 他一个月来几次？（F）

- 他每次花多少钱？（M）

贴完标签后你会发现：有人是“昨天刚来、每周来 3 次、每次花 40 元”的超级熟客；有人是“半年前来过一次、只买过一杯 12 元”的沉睡顾客。对这两种人，你的运营动作显然应该完全不同。

RFM 的核心不是复杂公式，而是分位数打分 + 组合分层。常见做法是给每个维度打 1-5 分：

- R 分：最近购买天数越短，分数越高。例如 0-7 天 = 5 分，8-30 天 = 4 分，31-90 天 = 3 分，91-180 天 = 2 分，180 天以上 = 1 分。

- F 分：购买次数越多，分数越高。例如 1 次 = 1 分，2-3 次 = 2 分，4-6 次 = 3 分，7-12 次 = 4 分，13 次以上 = 5 分。

- M 分：累计消费金额越高，分数越高。可按客单价或总消费额分位切分。

最终每个客户得到一个三位数组合，如 555、311、151。再根据组合定义客户类型：

客户类型	典型 RFM 组合	特征	运营策略
重要价值客户	R5 F5 M5	最近买、常买、花得多	VIP 服务、专属折扣、新品优先
重要保持客户	R2 F5 M5	曾经高价值，但最近没来	召回邮件、限时优惠、满意度回访
重要发展客户	R5 F2 M5	最近买、花得多，但频率低	复购提醒、会员升级、捆绑销售
重要挽留客户	R1 F2 M5	很久没来、频率低、曾花得多	大额召回券、人工外呼
一般客户	R3 F3 M3	表现中等	常规促销、内容种草
流失客户	R1 F1 M1	很久没来、只买过很少	低成本触达或放弃

术语	核心维度	与 RFM 的区别	适用场景
RFM 分析	R、F、M	三维客户分层，简单直接	电商、零售、会员运营
CLV（客户终身价值）	未来利润折现	预测未来价值，计算更复杂	预算分配、长期投资决策
客户分群	任意维度	可分群维度更多，但不如 RFM 标准化	个性化推荐、广告投放
漏斗分析	行为步骤	关注转化路径，不直接分层客户价值	注册、加购、支付优化
同期群分析	时间 + 行为	关注不同批次用户随时间变化	留存分析、版本效果评估

RFM 的优势是数据易获取、计算快、解释性强；CLV 更准但需要预测模型和利润数据。

案例 1：独立站邮件召回

某独立站有 8 万注册用户，过去 12 个月数据：

- R1 F1 M1 的流失客户 2.1 万人，平均客单价 35 美元。

- 对其中 R1 F2 M4 的 3200 人发送“满 80 减 20”召回券，14 天召回率 6.8%，带来约 218 单，客单价 92 美元，ROI 约 1:4.3。

案例 2：Shopify 会员分层

某美妆独立站按 RFM 分层后：

- 重要价值客户占 4.2%，贡献 31% 营收。

- 重要保持客户占 7.5%，贡献 22% 营收。

- 对重要保持客户发送“专属新品试用 + 免邮”，30 天复购率从 9% 提升到 17%。

案例 3：广告受众排除

某 DTC 品牌将 R5 F5 M5 客户从冷启动广告中排除，避免重复触达；同时把 R2 F4 M4 客户上传为相似受众种子，广告 ROAS 从 1.8 提升到 2.6。

1. 只看 RFM 分数，不看业务背景：低客单价高频品类，M 分可能普遍低，但不代表客户没价值。

2. R 和 F 高度相关时重复计算：某些品类买了就会复购，R 和 F 信息重叠，可考虑加权或只取两个维度。

3. 分位数切分导致“相对高分”：如果整体用户都在流失，R5 可能也只是“30 天没买”，需要结合绝对阈值。

4. 一次分层用一年：RFM 会随时间变化，建议每月或每季度重新计算。

5. 对流失客户过度补贴：R1 F1 M1 客户召回成本高、响应低，应控制预算。