RFM 用户分层模型：从 RFM 到精细化运营实战
一、问题：为什么群发优惠券没用？
给所有用户发 8 折券，高价值老用户不需要，流失用户已经卸载。需要对用户做分层，这就是 RFM。
二、学习：RFM 模型
R (Recency) 最近购买时间 -> 越近越活跃
F (Frequency) 购买频率 -> 越勤越忠诚
M (Monetary) 购买金额 -> 越多价值越高
2x2x2 = 8 种用户类型：
- 重要价值（R高F高M高）：VIP 维护
- 重要发展（R高F高M低）：提升客单价
- 重要保持（R高F低M高）：提高频次
- 重要挽留（R低F高M高）：大力度挽回
- 一般价值/一般发展/一般保持/流失
评分方式：分箱打分（1-5 分），加权合并。
三、分析：电商实战
定向促销：高价值 -> 新品体验邀请；发展型 -> 满减推荐；挽留型 -> 大力度优惠
流失预警：监控 R 值，距上次购买 30/60/90 天分批触达
交叉分析：RFM 分层后叠加品类偏好分析
四、理解
RFM 的本质是用三个数据点预测用户行为。R 测活跃度、F 测忠诚度、M 测消费能力。三个维度已经能解释 80%+ 的用户行为差异。
五、内化
好的模型不需要复杂，只需要抓住关键变量。
六、类比迁移
像银行 VIP 管理：不会给存款 1000 的客户和存款 100 万的客户发同样短信。RFM 告诉你给不同的人说不同的话。
七、迁移：实操步骤
Python/Pandas：groupby 计算 R/F/M，qcut 分箱打分，合并成 3 位得分
Excel 方法：导出订单 -> 透视表 -> 排序分高低 -> 8 类打标签
八、实践要点
权重不固定，拉新期 R 重要，促复购 F 重要，提 GMV M 重要
可分成 3-5 档，但档越多运营越复杂
每月跑一次，定期更新
结合购买偏好等标签一起用
九、调整
不分场景用 RFM -> 不同品类不适合比较
分完层不做动作 -> 最有价值的是分类后的运营策略
频率和金额没去极端值 -> 拉偏打分
十、成事
RFM 不是用来知道用户是谁，而是用来知道该对他们做什么。