RFM用户分层模型：从理论到电商实战
1. 问题
几万甚至几十万用户，到底谁是高价值用户？谁需要重点维护？谁快要流失了？
靠感觉做运营，就像闭着眼撒网——运气好捞到大鱼，运气不好白费力气。
2. 学习
从人人都是产品经理的深度文章以及腾讯云的文章中，系统学习了RFM模型的底层逻辑、计算方法和实战应用。
RFM的三个核心维度：
- R（Recency）：最近一次消费距今多久。R越小，用户越活跃。
- F（Frequency）：最近一段时间内的消费频率。F越高，用户粘性越强。
- M（Monetary）：最近一段时间内的累计消费金额。M越高，用户价值越大。
3. 分析
RFM的底层逻辑
频次高低可以衡量用户偏好程度。这是基本原则：
- 每天吃苹果的人比半年吃一次的，更偏好苹果
- 半年吃50斤的比半年吃2两的，更偏好苹果
- 半年吃100次的比半年吃1次的，更偏好苹果
但RFM有局限性：一个人半年吃了50斤苹果，可能是因为爱吃，也可能只是因为苹果便宜。
所以仅靠RFM只能做初步识别，还需要进一步分析。
RFM计算要点
RFM分类与应用
基于RFM三个指标将用户分为8大类：
- 重要价值用户（R高+F高+M高）：核心用户，重点维护
- 重要发展用户（R高+F低+M高）：潜力大，提升频次
- 重要保持用户（R低+F高+M高）：快流失，及时唤醒
- 重要挽留用户（R低+F低+M高）：高价值但快流失，重点召回
- 一般价值用户（R高+F高+M低）：活跃但消费力低，提升客单价
- 一般发展用户（R高+F低+M低）：新用户或价值低
- 一般保持用户（R低+F高+M低）：粘性好但消费力低
- 一般挽留用户（R低+F低+M低）：即将或已经流失
实操中的策略：
- R值越远唤醒难度越大，R一般单独看——决定触达策略
- M值高的用户后续购买动力高，重点提升其F值（留住他）
- F高M低的用户，做增量/交叉营销提升客单价
- MF双低的用户，直接用爆款/大折扣商品轮番轰炸
4. 理解
RFM不是万能公式，它只是一个用户筛选器——帮你快速把用户分出层次来。
但分了层之后怎么运营，还要结合品类偏好、折扣敏感度等信息。
比如两个用户都消费了3000元：
- 买1台空调和买5件衣服，运营策略完全不同
- 原价购买3000元和打8折花3000元，价值也不同
5. 内化
RFM模型的核心价值不是分类，而是分类后的差异化运营。
重点记住RFM的三段论：
6. 类比
RFM模型就像水果摊老板的"熟客管理"：
- 老王昨天来买过（R小），每周来三次（F高），每次买七八十块（M中）-> 重要价值客户
- 小李半年没来了（R大），以前每周来一次（F中），每次买五块（M低）-> 一般挽留客户
老板心里其实一直在做RFM，只是没用这个名词而已。
7. 迁移
RFM的思维不限于电商零售。任何高频行为都可以做类似分析：
- 内容平台用户：R=最后登录时间，F=周登录频率，Q=累计登录时长（派生RFQ模型）
- SaaS产品：R=最后使用时间，F=周使用频率，M=付费等级
- 企业微信社群：R=最后发言时间，F=周发言次数，M=累计互动深度
8. 实践
用Python实现RFM分层的步骤：
9. 调整
常见错误【错题本】：
- 统计周期选错。生鲜电商用前3个月的数据，太长了，RF值差异被平均化
- 阈值直接用平均值而不是中位数。平均值容易被大客户带偏
- 分类出来不做事。这是最大的浪费——分了8类用户但运营策略都一样
- 直接用全部历史数据统计F和M。老用户F值天然高，新用户F值天然低
-> 应该限定一个固定的时间窗口（比如过去90天）
10. 成事
RFM模型是电商精细化运营的入场券。某电商用RFM分层后，对重要价值用户推送专属折扣，季度GMV提升了18%。核心不在于技术多复杂，而在于让你真正开始"区别对待"用户。
关联笔记： 06.4-RFM标签体系与用户画像 06.7-电商用户画像与标签体系构建