跳到主要内容

RFM 模型

问题​

什么是 RFM 模型？如何用 RFM 进行用户价值分层？

答案​

RFM 三要素​

RFM 是衡量用户交易价值的经典模型，由三个维度组成：

维度定义越高越好？
R（Recency）最近一次消费距今的天数越小越好（最近刚买过）
F（Frequency）一段时间内的消费次数越大越好
M（Monetary）一段时间内的消费金额越大越好

RFM 用户分层​

每个维度用高/低二分，产生 23=82^3 = 8 种用户类型：

RFM用户类型运营策略
高高高重要价值客户VIP 服务、专属权益
高低高重要发展客户提频：刺激复购
高高低一般价值客户提单价：推高客单
高低低一般发展客户培养消费习惯
低高高重要保持客户挽回：召回优惠
低低高重要挽留客户紧急召回
低高低一般保持客户低成本维护
低低低流失客户放弃或低成本触达
R 的方向

注意 R 的含义是"最近一次消费距今天数"。R 值小表示最近消费过，是"好"的信号。表中"高"指 R 值小（近期活跃），"低"指 R 值大（很久没买了）。

SQL 实现​

RFM 计算与分层
WITH rfm_raw AS (
    SELECT
        user_id,
        -- R: 最近消费距今天数（越小越好）
        DATEDIFF(CURRENT_DATE, MAX(order_date)) AS recency,
        -- F: 消费次数
        COUNT(DISTINCT order_id) AS frequency,
        -- M: 消费金额
        SUM(amount) AS monetary
    FROM orders
    WHERE order_date >= DATE_SUB(CURRENT_DATE, INTERVAL 180 DAY)
      AND status = 'paid'
    GROUP BY user_id
),
rfm_score AS (
    SELECT
        user_id,
        recency, frequency, monetary,
        -- 用中位数作为阈值（也可用分位数或业务经验值）
        CASE WHEN recency <= (SELECT PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY recency) FROM rfm_raw)
             THEN 1 ELSE 0 END AS r_high,
        CASE WHEN frequency >= (SELECT PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY frequency) FROM rfm_raw)
             THEN 1 ELSE 0 END AS f_high,
        CASE WHEN monetary >= (SELECT PERCENTILE_CONT(0.5) WITHIN GROUP (ORDER BY monetary) FROM rfm_raw)
             THEN 1 ELSE 0 END AS m_high
    FROM rfm_raw
)
SELECT
    user_id,
    recency, frequency, monetary,
    CASE
        WHEN r_high = 1 AND f_high = 1 AND m_high = 1 THEN '重要价值客户'
        WHEN r_high = 1 AND f_high = 0 AND m_high = 1 THEN '重要发展客户'
        WHEN r_high = 1 AND f_high = 1 AND m_high = 0 THEN '一般价值客户'
        WHEN r_high = 1 AND f_high = 0 AND m_high = 0 THEN '一般发展客户'
        WHEN r_high = 0 AND f_high = 1 AND m_high = 1 THEN '重要保持客户'
        WHEN r_high = 0 AND f_high = 0 AND m_high = 1 THEN '重要挽留客户'
        WHEN r_high = 0 AND f_high = 1 AND m_high = 0 THEN '一般保持客户'
        ELSE '流失客户'
    END AS rfm_segment
FROM rfm_score;

RFM 评分法（进阶）​

除了二分法，也可以给 R/F/M 各打 1~5 分，产生更精细的分层（最多 125 组）：

RFM 五分评分
SELECT
    user_id,
    -- 用 NTILE 五等分
    NTILE(5) OVER (ORDER BY recency DESC) AS r_score,  -- recency 越小分越高
    NTILE(5) OVER (ORDER BY frequency ASC) AS f_score,
    NTILE(5) OVER (ORDER BY monetary ASC) AS m_score
FROM rfm_raw;

RFM 的局限​

局限说明
只看交易行为未考虑浏览、收藏等非交易行为
阈值主观中位数 or 业务经验，结果差异较大
静态分层不能反映用户动态变化趋势
不适用低频一年买一次的业务（如汽车）F 没意义
替代方案
  • CLV（客户终身价值）：更全面评估用户价值
  • 聚类分群：K-Means 让数据自动发现用户群体
  • RFM + 标签：RFM 基础上叠加用户标签（如偏好品类），做更精细运营

常见面试问题​

Q1: 用 RFM 模型给用户分层后，运营策略怎么制定？​

答案：

核心原则：高价值用户花精力维护，低价值用户控制成本

用户类型策略具体动作
重要价值留住专属客服、VIP 权益、生日礼品
重要发展提频会员积分、复购优惠券
重要保持挽回召回短信、大额优惠券
流失用户放弃停止投入或仅低成本触达

Q2: RFM 的阈值怎么定？​

答案（三种方式）：

  1. 中位数：快速简单，但可能不贴合业务
  2. 分位数（如 20%/40%/60%/80%）：更精细
  3. 业务规则：如 R≤7 天为"高"，F≥3 次为"高"——需要和运营讨论

Q3: RFM 和 CLV 有什么关系？​

答案：

  • RFM 是现状快照：用户目前的价值等级
  • CLV 是未来预测：预计用户一生会带来多少价值
  • RFM 可以作为 CLV 预测模型的输入特征
  • CLV 更适合长周期、高 LTV 的业务（SaaS、保险）

相关链接​