一、为什么需要客户分群

在用户运营和客户关系管理中，最忌讳的就是"一刀切"——对所有客户发同样的券、推同样的活动、说同样的话。高价值老客户需要被维护忠诚，即将流失的客户需要被挽回，新客需要被引导复购。不同客户的价值贡献天差地别，运营资源必须精准投放。

RFM模型是客户价值分群中最经典、最易落地的方法之一。它只用三个核心指标，就能把客户按价值高低和活跃状态分成不同群体，对应不同的运营策略。几乎所有电商、零售、订阅制业务都在不同程度上使用RFM的思想。本文系统讲解RFM模型的原理、计算方法、分群逻辑和落地实操。

二、RFM三个维度的含义

RFM分别代表三个衡量客户价值的核心指标：

三个维度从"活不活跃、常不常来、花不花钱"三个角度描述一个客户的状态，组合起来就能勾勒出客户的完整价值画像。

三、RFM评分方法

3.1 打分规则

原始的RFM数值量纲差异很大——R是天数（几十到几百天），F是次数（几次到几十次），M是金额（几十到几万块）。不能直接用原始值比较，需要先对每个维度做打分。

最常用的是五分位打分法：把所有客户按每个维度从小到大排序，平均分成5组，分别打1到5分。

• R打分：最近消费距今天数越短（越活跃），得分越高。最后一天下单的打5分，最早的打1分。
• F打分：消费次数越多，得分越高。买得最多的打5分。
• M打分：消费金额越高，得分越高。花得最多的打5分。

这样每个客户就得到了一组三元组：(R得分, F得分, M得分)。

3.2 划分高低分的阈值

打完分后，需要确定每个维度的"高"和"低"。通常以中位数或平均分作为分界线：得分高于均值记为"高（↑）"，低于均值记为"低（↓）"。

举个例子：某客户R=5、F=3、M=4，三个维度的平均分都是3。那么这个客户就是R高、F低、M高，对应组合就是"高-低-高"。

四、经典八大客户分群

根据R、F、M三个维度高低的组合，客户可以被分成8个群体，每个群体对应明确的运营策略：

五、RFM分群的实际落地步骤

第一步：确定统计周期

RFM不是永久不变的，需要根据业务特性确定回溯周期：

• 快消、餐饮类：通常取最近3~6个月数据
• 耐用品、家具类：可能需要回溯1~2年
• 订阅制SaaS：按订阅周期计算

统计周期太短，F和M的区分度不够；太长，会把早就流失的客户也算进来。

第二步：从订单表计算原始RFM值

用SQL从订单明细表聚合出每个客户的三个指标：

SELECT 
    customer_id,
    DATEDIFF('${当前日期}', MAX(order_date)) AS recency,
    COUNT(DISTINCT order_id) AS frequency,
    SUM(order_amount) AS monetary
FROM orders
WHERE order_date >= '${统计起始日期}'
GROUP BY customer_id;

第三步：给三个维度打分

通常用分位数法，在Python或SQL中按五分位打1~5分。以Python pandas为例：

import pandas as pd

# 按分位数打分，R越小分越高，F和M越大分越高
df['R_score'] = pd.qcut(df['recency'], 5, labels=[5,4,3,2,1])
df['F_score'] = pd.qcut(df['frequency'].rank(method='first'), 5, labels=[1,2,3,4,5])
df['M_score'] = pd.qcut(df['monetary'], 5, labels=[1,2,3,4,5])

第四步：按高低分群并匹配策略

以平均分为界，标记每个维度是高还是低，再组合出8类客户，导入运营系统做差异化触达。

六、RFM模型的常见误区

6.1 机械使用五分位

不是所有业务都适合硬切5等分。如果客户消费次数极度不均——比如80%的人只买过1次——那F的5分位实际上只区分了2~3个层级，后面的分群会失真。这种情况下应该根据业务实际调整分组数，或者用业务规则直接定义"高频/低频"。

6.2 忽略时间衰减

RFM是静态快照，但客户价值是动态变化的。一个客户三个月前是重要价值客户，三个月没买可能就变成了重要保持客户。RFM需要定期（比如每月）重新计算更新，不能算一次就用一年。

6.3 把RFM当成唯一分群依据

RFM只反映交易行为，不反映客户偏好、渠道来源、商品品类等维度。实际运营中通常会在RFM基础上叠加其他标签——比如偏好品类、价格敏感度、渠道来源——形成更立体的客户画像。RFM是基础，不是全部。

6.4 对新客户的误判

刚注册还没下单的新客户，在RFM模型里会被打成"低R低F低M"，被归为"一般挽留客户"。但他们其实是待转化的潜客，不能用流失客户的策略去对待。新客需要单独成组，用独立的转化漏斗运营。

七、RFM模型的进阶用法

7.1 RFM + 客户生命周期

把RFM分群和客户生命周期阶段（引入期、成长期、成熟期、休眠期、流失期）结合，能更精准地判断客户当前处于哪个阶段，以及下一步该往哪个方向引导。

7.2 结合CLV做长期价值评估

RFM是当期快照，CLV（客户终身价值）是长期预测。把RFM分群结果作为CLV模型的输入特征，既能做短期运营动作，又能做长期客户资产规划。

7.3 自动化分群与动态运营

成熟的公司会把RFM分群做成自动化流程——每天更新客户标签，当客户从一个群迁移到另一个群时，自动触发对应的运营动作。比如客户从"重要价值客户"掉到"重要保持客户"，系统自动发送召回券。

八、总结

RFM模型之所以经典，是因为它用最简单的三个指标——最近消费时间、消费频率、消费金额——抓住了客户价值的本质。它不需要复杂的算法，只需要一张订单表就能跑起来，是中小企业做精细化运营的入门标配。

但RFM不是万能的。它的优势是简单、可解释、易落地；局限是只看交易行为、不看客户偏好和长期价值。真正成熟的客户运营体系，是在RFM的基础上不断叠加更多维度——品类偏好、渠道来源、生命周期、CLV预测——从"价值分群"走向"全维度画像"。但无论模型多复杂，RFM始终是客户分群的第一块基石。

推荐学习书籍 《CDA一级教材》适合CDA一级考生备考，也适合业务及数据分析岗位的从业者提升自我。完整电子版已上线CDA网校，累计已有10万+在读~ !

免费加入阅读：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0