13.03 用户RFM模型实战应用
一、问题
痛点： 运营每天面对几十万用户，不知道哪些该花精力维护。发优惠券一视同仁——大客觉得被打扰，羊毛党薅完就走。营销费用不少花，复购率就是不动。 典型场景：- 大促前要做用户触达，该优先联系谁？
- 新品上线想找种子用户，从哪里找？
- 老客复购率持续下滑，找不到核心目标人群
- 营销费用ROI<1:3，总监要求精准投放
二、学习：RFM模型核心概念
RFM三要素定义
| 维度 | 含义 | 电商场景 | 计算公式 |
|------|------|----------|----------|
| R (Recency) | 最近一次购买距今天数 | 越短越好，用户活跃 | 当前日期 - 最近订单日期 |
| F (Frequency) | 一定周期内购买次数 | 越高越好，用户忠诚 | 统计周期内订单总数 |
| M (Monetary) | 一定周期内消费金额 | 越高越好，购买力强 | 统计周期内消费总额 |
2026年分层标准
统计周期选择（按品类）：- 高频消费品（生鲜、日化、母婴消耗品）：近90天
- 中频消费品（服饰、美妆、零食）：近180天
- 低频消费品（家电、3C、家具）：近365天
- 直播电商：近30天（复购窗口极短，依赖直播间场景）
| 分数 | R（最近一次购买） | F（购买次数） | M（消费金额） |
|------|-----------------|-------------|-------------|
| 5分 | 1-7天内 | ≥6次 | >2000元 |
| 4分 | 8-30天 | 4-5次 | 500-2000元 |
| 3分 | 31-90天 | 2-3次 | 100-500元 |
| 2分 | 91-180天 | 1次 | 50-100元 |
| 1分 | >180天 | 0次 | <50元 |
8种典型用户类型
| 编码 | R | F | M | 类型 | 占比（参考） | 策略 |
|------|---|---|---|------|-------------|------|
| 555 | 5 | 5 | 5 | 🌟重要价值 | 2-5% | VIP专属维护，1v1服务 |
| 554 | 5 | 5 | 4 | 💎重要发展 | 3-5% | 引导升级消费 |
| 545 | 5 | 4 | 5 | 🎯重要保持 | 3-8% | 提高复购频次 |
| 455 | 4 | 5 | 5 | 🔄重要挽留 | 1-3% | 召回+关系修复 |
| 511 | 5 | 1 | 1 | 🆕新用户 | 15-25% | 促进二次购买 |
| 111 | 1 | 1 | 1 | 💤流失用户 | 30-50% | 低成本召回或放弃 |
| 其他 | - | - | - | 一般用户 | 余量 | 自动化维护 |
三、分析：案例数据拆解
某食品品牌2026年Q1数据
`
总用户数：150,000人（近180天有交易）
分析结果：
重要价值用户（555/554/545）：
- 人数：6,000人（4%）
- 贡献GMV：630万/月（42%）
- 人均月消费：1,050元
- 复购率：78%
- 营销投入：50元/人/月 → ROI 1:21
重要挽留用户（455）：
- 人数：3,000人（2%）
- 贡献GMV：180万/月（12%）
- 近来过但频次已下降
- 召回成本：30元/人 → 召回率35% → 召回后月均消费450元
新用户（511）：
- 人数：37,500人（25%）
- 刚买过一次，还没复购
- 策略：下单后7天推送"第二件半价"
- 二次转化率从18%提升到34%
流失用户（111/112）：
- 人数：60,000人（40%）
- 已超过180天无购买
- 不主动投入，仅做系统触达
- 双11等大促发一次短信，ROI 1:0.5（聊胜于无）
`
四、理解：RFM的底层逻辑
RFM本质是用3个维度给用户的"价值"做量化评分。
底层逻辑拆解：
> 三者关系：R是快照（现在在哪）、F是历史（来过多少次）、M是潜力（能花多少）。只看任何单一维度都会误判。
常见误判：- 只看R：最近来的不一定是大客（可能只是领了免费券）
- 只看F：经常买的可能都是低客单价（薅羊毛专业户）
- 只看M：买过一次高价品但不复购（一次性冲动消费）
五、内化：我自己怎么理解RFM
一句话： RFM是给每个用户画三根柱子——R柱有多新、F柱有多频、M柱有多壕。三根都高的用户是最肥的韭菜。 实战口诀：- 555用户：不要发券，要送"专属感"（VIP邀请、新品内测）
- 511用户：不要等着他自己回来，要推"第二单福利"
- 155用户：不要放弃，要"大促激活+专属折扣"
- 111用户：不要硬拉，发条短信就行，回不回来随缘
六、类比：RFM像投资组合管理
RFM跟投资组合管理的逻辑一模一样：| RFM层级 | 投资组合类比 | 运营策略 |
|---------|-------------|---------|
| 555（重要价值） | 蓝筹股（茅台） | 长期持有，不折腾 |
| 455（重要挽留） | 优质股但近期走弱 | 补仓（召回动作） |
| 511（新用户） | 新股打新 | 观察期，控制仓位 |
| 111（流失用户） | 垃圾股 | 果断卖出或放弃 |
| 一般用户 | 指数基金 | 自动化定投（优惠券自动发放） |
好的基金经理不会在垃圾股上耗费研究精力——好的运营不应该在流失用户身上花太多预算。
七、迁移：从电商RFM到其他领域
应用到内容创作者/自媒体
- R：最近一次互动时间（点赞/评论/转发）
- F：月互动次数
- M：打赏金额/会员订阅金额
- 策略：高RFM→评论区互动、私信感谢；高R低F→推爆款内容
应用到SaaS/B2B客户管理
- R：最近一次登录产品
- F：月活跃天数
- M：付费等级（免费/专业版/企业版）
- 策略：高RFM→1v1客户成功；高R低M→促升级
应用到线下实体店
- R：最近一次到店时间
- F：月到店次数
- M：客单价+年消费额
- 策略：高频低价→推会员储值；低频高价→做重要节日触达
八、实践：动手实现RFM
方案A：Excel实现（数据量<5万行）
`
Step 1：准备数据表
列：用户ID | 订单日期 | 订单金额 | 订单状态
筛除：退款订单、测试订单
Step 2：计算R值（假设基准日为2026-06-01）
公式：=基准日期 - MAXIFS(订单日期, 用户ID范围, 用户ID)
解释：取每个用户最近一次下单距今天数
Step 3：计算F值
公式：=COUNTIFS(用户ID范围, 用户ID, 订单日期范围, ">=基准日期-180天")
解释：统计近180天每个用户下了多少单
Step 4：计算M值
公式：=SUMIFS(订单金额范围, 用户ID范围, 用户ID, 订单日期范围, ">=基准日期-180天")
解释：统计近180天每个用户花了多少钱
Step 5：分箱打分
用 PERCENTILE 函数分5段：
R评分：=MATCH(R值, PERCENTILE(R列, {0,0.2,0.4,0.6,0.8,1}), 1)
F评分：=MATCH(F值, PERCENTILE(F列, {0,0.2,0.4,0.6,0.8,1}), 1)
M评分：=MATCH(M值, PERCENTILE(M列, {0,0.2,0.4,0.6,0.8,1}), 1)
Step 6：合并标签
公式：=R评分 & F评分 & M评分 → 如"555"、"311"
Step 7：分类
用IF嵌套或VLOOKUP对照表输出"重要价值"等中文标签
`
方案B：Python自动化（数据量>10万行）
`python
import pandas as pd
import datetime as dt
读取订单数据
df = pd.read_excel('orders.xlsx')
设定基准日期
snapshot_date = dt.datetime(2026, 6, 1)
数据清洗：只取已完成订单
df = df[df['订单状态'] == '已完成']
计算RFM值
rfm = df.groupby('用户ID').agg({
'订单日期': lambda x: (snapshot_date - x.max()).days, # R值
'订单ID': 'count', # F值
'订单金额': 'sum' # M值
}).rename(columns={
'订单日期': 'Recency',
'订单ID': 'Frequency',
'订单金额': 'Monetary'
})
5分制分箱（用分位数）
rfm['R_Score'] = pd.qcut(rfm['Recency'], 5, labels=[5,4,3,2,1])
rfm['F_Score'] = pd.qcut(rfm['Frequency'].rank(method='first'), 5, labels=[1,2,3,4,5])
rfm['M_Score'] = pd.qcut(rfm['Monetary'].rank(method='first'), 5, labels=[1,2,3,4,5])
合并标签
rfm['Segment_Code'] = rfm['R_Score'].astype(str) + rfm['F_Score'].astype(str) + rfm['M_Score'].astype(str)
用户分类逻辑
def classify(row):
r, f, m = int(row['R_Score']), int(row['F_Score']), int(row['M_Score'])
if r>=4 and f>=4 and m>=4: return '重要价值'
if r>=4 and f>=4 and m>=3: return '重要发展'
if r>=4 and f>=3 and m>=4: return '重要保持'
if r>=3 and f>=4 and m>=4: return '重要挽留'
if r>=4 and f>=2 and m>=2: return '一般价值'
if r>=3 and f>=3: return '一般发展'
if r<=2 and f<=2: return '流失用户'
return '普通用户'
rfm['用户类型'] = rfm.apply(classify, axis=1)
输出结果
rfm.to_excel('rfm_result.xlsx')
print(rfm['用户类型'].value_counts())
`
工具推荐
| 方案 | 数据量 | 难度 | 费用 | 推荐场景 |
|------|--------|------|------|---------|
| Excel | ≤5万行 | ★☆☆ | 0 | 初创团队快速分析 |
| Python | 任意 | ★★★ | 0 | 有技术团队 |
| FineBI | ≤100万行 | ★★☆ | 免费版 | 中型电商日常维护 |
| 阿里云PAI | 海量 | ★★☆ | 按量付费 | 大型电商+实时RFM |
| 神策/SDK | 用户行为+交易 | ★★☆ | 商业版 | 需要行为数据联动 |
九、调整：常见错误及修正
错题本
| 错误 | 后果 | 正确做法 |
|------|------|---------|
| 使用全量历史数据 | 老用户R被刷低，新客R过高 | 只取近365天数据，逐年滚动 |
| 退款单计入F | F虚高，误判"退款党"为高价值 | 只统计"已完成"订单 |
| 不分品类周期 | 低频行业用30天窗口导致大量用户被标"流失" | 按行业平均复购周期×1.5设定 |
| 忽略节假日效应 | 618/双11后R值异常 | 取淡季数据+旺季数据分开建模 |
| 用金额绝对值而非分位数 | M值被大客拉偏，普通用户全是低分 | 始终用分位数（Percentile）分箱 |
| 分层太细 | 27类用户（3×3×3）根本无法执行 | 8-10类足够了 |
| 只做一次不更新 | 用户状态是动态的 | 高频品类每周重算，中频每月 |
优化技巧
十、成事：实战效果
案例：某母婴品牌RFM落地
`
背景：年GMV 1.2亿，营销费120万/年，复购率22%
实施前：
- 群体发券：所有用户发满199-30，ROI 1:1.7
- 老客流失率：月均8%
实施RFM分层后（6个月效果）：
- 重点投入555/554用户（5%），ROI提升到1:8.3
- 511用户（25%）给"第二件半价"，复购从18%→35%
- 111用户（35%）仅大促发短信，费用降60%
- 整体营销费从120万降至75万，ROI从1:1.7升至1:4.2
- 月流失率从8%降至3.2%
总监评价："省了45万，多赚了180万。"
`
RFM的长期价值
- 首次实现后，每月维护成本<2人天
- 每次大促触达前跑一次RFM，触达ROI提升2-3倍
- 可用于商品推荐、客服分级、物流差异化等多场景
- RFM+LTV结合，可以预测未来3-6个月的收入
---
关联笔记：- 参见 13.11-私域用户分层运营SOP —— RFM产出用户分层后，需要配套SOP执行
- 参见 13.05-电商AB测试框架设计 —— 验证不同分层策略的效果用AB测试
- 参见 13.02-电商数据看板搭建实战 —— 把RFM数据放到看板实时监控
