RFM 模型是什么
RFM 是三个维度的组合：Recency（最近一次消费距今多久）、Frequency（一定时间内消费了几次）、Monetary（累计消费金额）。
它解决的问题是：面对几千几万个客户，你没有办法对每个人手工判断该发什么优惠、该推什么产品。RFM 把这批人切成若干个可执行的群体，每个群体配一套动作，是私域和 CRM 里投入产出比最高的基础设施。
三个维度怎么定义
Recency：用「距今天数」而不是「上次消费时间」
直接存时间戳在后续计算和跨系统传递时很麻烦，存天数（距今多少天）更好用。关键是按你的实际复购周期来定阈值：如果客户正常一个月复购一次，那么 30 天就是一个自然分界；60 天没来的客户需要重点唤回；90 天没来的大概率已经流失。
Frequency：在一致的时间窗内计数
常见做法是看「最近 12 个月消费了几次」。时间窗必须与其他两个维度对齐，否则会出现「最近买了但次数不高」的矛盾分群。用 12 个月是折中：太长会稀释近期行为，太短会让低频客户全部落在最低层。
Monetary：用净额而不是总额
必须扣除退款、折扣和退货。全额统计会让「买得多但退得也多」的客户看起来比实际更值钱，运营资源会被错误地投放过去。
打分：相对排名而不是绝对阈值
最常见的做法是把每个维度的值在全量客户中排序，按分位数切成 1–5 分。比如 R 维度里最近 20% 的客户得 5 分，接下来 20% 得 4 分，以此类推。
用分位数的好处是不依赖业务假设，无论你的业务是 3 天复购还是 3 年复购都能用；坏处是会随大盘变化而漂移——如果这个月促销拉高了整体 F 值，所有人的分数都会跟着变，历史对比失去意义。
折中办法是：定期重算，但同时保留上期的分数做对比，观察同一批客户的分数迁移方向。
分群之后怎么用
经典的 8×8×8 = 512 个格子不需要全用，实践中用 8–15 个有业务含义的组合就够了。几个典型群体和对应动作：
- 重要价值客户（R 高 F 高 M 高）：不要发优惠券，他们本来就会买。给的是新品优先试用、专属服务、决策人直通
- 重要挽留客户（R 低 F 高 M 高）：贡献过但正在流失，唯一值得单独人工介入的群体。这类人在整个盘子里通常不到 10%，但贡献了大部分利润
- 重要发展客户（R 中 F 低 M 中）：刚进首购期，需要第二次购买验证。用第二单优惠、搭配推荐把他们推到高频层
- 低价值沉睡客户（R 低 F 低 M 低）：大部分预算应该投在「不出问题」上，而不是唤醒他们。给一次低成本触达，有回应就进培育，无回应就停止投入
适用边界
- RFM 假设「最近行为预测未来行为」。 对周期性强的品类有效，对非周期、偶发购买的品类，R 维度的解释力会大幅下降
- 只做 RFM 不会有增长。 它是一个分配工具，回答「把有限的运营资源给谁」，不回答「怎么让更多人变好」。需要和渠道、活动、定价策略配合
- 5 个维度没有「5 分」的人很多时，说明分布有问题。 比如 70% 的客户都是 R=5 分，那这个维度就没有区分度，应该合并档位
- 低频高额业务慎用频次维度。 一年买一次的企业客户，用 F 分数会系统性低估这类客户，应改用金额分位或客户等级
与相邻概念的区别
| 概念 | 维度 | 与 RFM 的区别 |
|---|---|---|
| RFM | 行为三维度 | — |
| 用户画像 | 人口属性 + 行为 + 心理 | 更宽，RFM 只是行为的一个子集 |
| 客户分群（Segmentation） | 按需求或价值划分 | RFM 是一种具体的分群方法，不是全部 |
| CLV 模型 | 预测未来贡献 | RFM 描述历史，CLV 预测未来 |
| 生命周期阶段 | 新客 / 活跃 / 沉默 / 流失 | 维度更少，通常只用 R，颗粒度粗 |
参考来源
RFM 的思想来自直邮与目录直销时代（20 世纪 60 年代起）的客户价值分析，在《数据挖掘：概念与技术》（Han, Kamber & Pei）中作为聚类与分群的经典案例出现；客户终身价值的建模与分位数分层方法，可参考 Peter Fader 与 James Hardie 在客户终身价值领域的系列论文。
