给所有客户发送同一种优惠，往往既浪费预算，也打扰用户。RFM分析从消费时间、频次和金额三个角度描述客户，让运营动作更贴近不同人群的状态。
它适合有重复消费的零售、会员、电商和订阅相关场景。它提供的是一种基于历史行为的分层方式，并不自动预测未来利润，也不适用于所有业务。
一、R、F、M分别是什么
R是Recency，距离最近一次有效消费过去多少天，通常越小表示越近期。F是Frequency，观察窗口内有效订单次数。M是Monetary，观察窗口内消费金额，可以按业务选择实付或净收入，但必须保持统一。
R与F、M的方向不同：评分时通常R越小分越高，F、M越大分越高。若忘记把R的方向反过来，就可能把长期未消费的客户当成最活跃客户。
本文采用固定快照时点和向前180天窗口，只纳入窗口内至少一笔有效订单的客户。R按统一时区内快照日期与最近有效支付日期的自然日差计算，取整天数；F按有效订单ID计数，M使用统一扣除退款后的金额。
二、先清洗订单，再谈评分
排除测试单、重复记录、取消单与按规则无效的订单；确保一个订单只计一次。部分退款如何影响金额、全额退款是否还算一次有效消费，都应先写清楚。不同币种应统一换算后再汇总。
一个大单被拆成多笔小单，会抬高F；买一次高价设备的客户，M很高却可能多年不复购。解释分层结果时，需要结合业务购买周期，而不是把所有客户都套成同一个“高频好客户”。
未消费用户不适合直接混入本文这套付费客户分数。可以另建新注册、已激活未购买等行为分层，避免把“尚未购买”和“历史客户沉睡”混为一类。
三、案例：用三档评分建立清晰规则
以下为教学假设规则，并非通用行业标准。R≤30天得3分，31至90天得2分，超过90天得1分；F≥6次得3分，3至5次得2分，1至2次得1分；M≥2,000元得3分，500至不足2,000元得2分，不足500元得1分。
观察窗口为相同的180天，六位客户的数据如下：甲R=10天、F=8次、M=2,400元；乙120天、10次、3,000元；丙5天、1次、200元；丁160天、1次、150元；戊20天、4次、1,000元；己80天、2次、500元。
按规则得到甲333、乙133、丙311、丁111、戊322、己212。三个数字依次是R、F、M的档位，它们是类别标签，不是一个具有连续距离意义的整数。不能因为333大于322，就认为价值高出某个固定比例。
四、把评分转成不同的运营动作
甲近期消费且频次金额高，可以关注服务体验、专属权益与留存；乙历史频次金额高但长期未消费，可以先了解停止购买的原因，再做有成本约束的召回。
丙近期首次消费、频次和金额较低，更像需要培养的新客，适合检查交付满意度和下一次购买需求，不宜立即贴上“低价值”标签。丁长期未消费且贡献低，可采用较低成本的触达方式，避免投入过多人工资源。
戊和己处于中间状态，需要结合品类、客龄和毛利安排动作。这里的分群规则是示例，实际业务可以合并有共同策略的评分组合，不必机械地对27个组合都制定独立活动。
五、阈值应该怎么选
常见做法有业务阈值、分位数和基于结果的划分。业务阈值容易解释，例如按实际购买周期定义“近期”；分位数有利于控制组规模，但每期阈值变动会影响跨期可比性；用后续贡献校验分层，则需要留出后续数据验证，避免在同一份数据上反复调到最好看。
新客户的F和M通常天然较低。若新老客户直接混评，可能把有潜力的新客分到末档，可以补充客龄分层或单独评价。促销周期也会改变RFM分布，阈值调整应保留版本记录。
六、如何评估召回和权益是否值得
不要只看被触达客户是否购买，因为其中一些人本来就会回来。可在同一分层内随机保留不触达对照组，比较观察窗口内的增量购买、毛利和退订投诉等指标。
优惠金额、触达成本和服务成本都应计入评估。订单增加却毛利减少，未必是有效运营；一次购买增加但之后频次下降，也需要进一步复盘。分层帮助选择对象，实验和成本核算才帮助判断动作效果。
七、RFM的适用边界
对于低频大额业务、合同采购、共享账户或消费机会差异很大的产品，简单RFM解释力有限。它没有直接包含利润、推荐价值、潜在需求和消费机会，也可能受到促销和退款影响。
交付时应同时保存客户指标原值、评分规则、窗口、快照时点、分群和策略，不只保留三个分数。这样业务能解释客户为何进入某组，也能在规则变化时重新计算和复盘。
本文为数据分析方法详解系列第6篇。方法选择与整体流程可阅读：数据分析方法论总览。
