做用户运营这些年，我最大的一个体会就是：80%的团队在做客户分层时，用的还是“按消费金额排序，取前20%”这种粗暴打法。结果就是运营资源投给了一批高客单但已经流失的“僵尸大户”，真正的绩优股反而被晾在一边。大概两年前我开始系统地去啃CDA数据分析师那套体系，其中一个对我工作改变最大的东西，就是RFM模型。今天把这套方法从头到尾拆一遍，包括底层逻辑、SQL计算实操、踩坑记录和进阶玩法。这篇文章适合正在做用户运营、CRM数据分析，或者想转行做数据分析师的朋友，尤其是那些手头有用户消费数据但不知道怎么用起来的人。
RFM模型不是一个新概念，但真正用得好的团队确实不多。它不是简单地给客户打个分，而是通过三个最核心的行为维度，把客户价值这件事还原成可视化的结构，再反向指导运营动作。下面我尽量用做项目复盘的口吻，把整个从搭建模型到落地应用的过程说透。
1. 为什么客户分层必须看RFM，而不是只看消费金额
很多老板和管理者最关心的问题就是：谁是我最值钱的客户？大部分人会直接拉一张消费总金额的TOP100榜单，然后告诉运营“重点维护这些人”。这套逻辑在客户量小的时候勉强能用，但一旦你的客户池超过几万甚至几十万，只看金额一定会出事。
1.1 消费金额高的客户不一定是高价值客户
举个例子。你有一个客户A，一年前在某品牌买了一套上万元的高端厨电，之后再没来过；另一个客户B，过去三个月里每个月都来买一些几百块的耗材。从单一金额看，A的贡献远高于B，但如果你是这家店的运营，你会把下个月的优惠券重点发给谁？答案显然是B。A已经处于沉默状态，大概率连你的短信都不点开，发再大的优惠券也是打水漂。B则处于活跃期，推荐新品、引导升级套餐，转化率都会明显高很多。
RFM模型在这里的价值，就是把“价值”这件事拆成了三个可独立衡量的角度：
- R（Recency，最近一次消费时间）：衡量客户离现在有多久没买了。这个指标直接反应客户的“温度”——越近越热，越远越冷。
- F（Frequency，消费频率）：在一定周期内买了多少次。频率代表客户的“粘性”——买得越频繁，习惯越固定。
- M（Monetary，消费金额）：在一定周期内累计花了多少钱。金额代表客户的“钱包份额”。
三者组合起来，就能避免“只看金额”这个单视角带来的盲区。A客户是“高M低R”，B客户是“中M高R高F”，他们的运营策略完全不同。R、F、M不是三个并列指标，而是三条互相补充的线索，组合起来才能画出一张完整的客户价值画像。
1.2 经典8类客户分层：一张表看懂逻辑
RFM最常用的是二分法：每个维度按中位数或阈值分成“高/低”两类，理论上三三组合能得到8种客户类型。业内习惯把这8类客户命名为：重要价值客户、重要发展客户、重要保持客户、重要挽留客户、一般价值客户、一般发展客户、一般保持客户、一般挽留客户。
为了让你快速建立直觉，我把8类客户的特征和策略整理成一张表：
| 客户类型 | R | F | M | 核心特征 | 建议运营动作 |
|---|---|---|---|---|---|
| 重要价值客户 | 高 | 高 | 高 | 又在买、又常买、又买得多 | 重点维护，VIP专属权益，优先体验新品 |
| 重要发展客户 | 高 | 低 | 高 | 最近买了大单，但频率不高 | 追加热销关联品，办会员/储值提升复购 |
| 重要保持客户 | 低 | 高 | 高 | 曾经买得多，但有一阵没来了 | 召回为主，用专属优惠/服务通知激活 |
| 重要挽留客户 | 低 | 低 | 高 | 历史贡献大，已沉默 | 大力度召回，电话回访，找流失原因 |
| 一般价值客户 | 高 | 高 | 低 | 常买但每次花得少 | 做交叉销售，关联高毛利品 |
| 一般发展客户 | 高 | 低 | 低 | 新客或边缘客 | 培养习惯，发新人礼包，引导二次购 |
| 一般保持客户 | 低 | 高 | 低 | 频率还行但金额低，已趋冷 | 用日常促销提醒唤醒 |
| 一般挽留客户 | 低 | 低 | 低 | 几乎流失、没什么贡献 | 低成本触达，不行就放弃或养着 |
这张表最大的价值在于让运营能够有的放矢。以前做活动是全量群发，现在你能针对“重要保持客户”定向设计一套“回来就送专属券”的方案，转化率和ROI完全不是一个量级。
1.3 很多资料没讲透的口径问题
第一次落地RFM时，最容易翻车的地方不是模型本身，而是指标口径。R、F、M看起来定义简单，实际一算全是坑。
先说R。R最常见的定义是“截至计算日，客户最近一次下单时间与计算日之间的天数”。但下单时间到底取哪天？是支付时间还是订单创建时间？我的建议是取支付成功时间，因为创建订单之后可以取消、可以赖账，只有支付成功才代表真实交易发生。另外还要注意，在退款场景下，如果客户最近一笔订单支付后又退款了，那这笔订单是否还算数？我的口径是剔除退款订单后再取最近的支付时间，因为客户实际没有留下真实消费。
再说F。F最朴素的定义是“统计周期内购买次数”。但算次数时按订单数还是按购买天数？一个客户一天下5单，账面上是5次，但本质上就是同一天的需求。我更倾向于使用“有效购买天数”作为F，这样更贴近真实粘性，尤其是做电商的，一个促销日里用户拆单太常见了。
最后说M。M最常用的定义是“统计周期内实际支付金额”。这里有两个细节需要注意：一是是否扣减退款，我建议使用净实付金额（累计支付金额减去累计退款金额），否则刷单用户会把模型带偏；二是是否要剔除运费。我一般建议区分业务场景，如果客单价本身包含运费，就不用剔除；如果运费是单独收的，剔除后更公平。
2. 从订单表到RFM评分：SQL和Excel都能跑通的3步流程
明确口径之后，接下来的实操流程就清晰了。这里我给出一个可以直接抄作业的流程，核心是从订单明细表产出每个客户的R、F、M原始值，再做评分和分层。整个过程分三步：定窗口、算指标、打评分。
2.1 确定数据窗口和客户范围，别一上来就梭哈全量表
在动手算之前，先回答三个问题：
- 统计周期取多久？我一般取近12个月。太短像季度，数据的季节性波动会让结果失真；太长则早期行为对当下的指导意义已经很弱。如果你做的是高客单低频生意（比如装修、婚庆），周期可以放宽到24个月；如果是快消高频生意（奶茶、便利店），12个月甚至6个月就够。
- 客户范围怎么定义？是否包含只注册未购买的用户？我的建议是：RFM只对“有过至少一次成功交易”的用户进行计算。未成交用户单独放一个“潜在客户”池，不参与打分。另外要排除B端、内部测试账号、明显异常的刷单号。
- 金额口径怎么统一？用实付金额还是毛利？在客户价值评估这个场景，我推荐用实付金额。因为毛利需要关联成本表，跨部门取数容易扯皮，而且客户分层不需要那么精细化；等做完RFM，再对头部的“重要价值客户”做毛利分析也不迟。
这三个问题不先定下来，后面所有SQL和评分全都会白搭。举一个真实案例：某团队统计F时把“申请退款但尚未处理完成”的订单也算进去了，结果给一个已经流失用户打了“高频率”标签，运营还专门给他发了一堆优惠券，一周后发现此人已退款，亏了两次。这就是口径不清导致的连锁问题。
2.2 用SQL计算每个客户的R、F、M原始值
假设你有一张订单明细表，字段大致如下：
customer_id：客户IDpay_time：支付时间order_no：订单号pay_amount：实付金额refund_time：退款时间（未退款则为NULL）status：订单状态（success/cancel/refund）
第一步先生成“有效订单”子集：排除取消订单、排除退款订单、排除账号状态异常的单子。
WITH valid_orders AS ( SELECT customer_id, DATE(pay_time) AS pay_date, pay_amount FROM order_table WHERE status = 'success' AND refund_time IS NULL AND pay_time >= DATE_SUB(CURRENT_DATE(), INTERVAL 12 MONTH) )第二步聚合出每个客户的R、F、M原始值：
SELECT customer_id, DATEDIFF(CURRENT_DATE(), MAX(pay_date)) AS recency_days, COUNT(DISTINCT pay_date) AS frequency_days, SUM(pay_amount) AS monetary_value FROM valid_orders GROUP BY customer_id这段SQL的核心逻辑有三点：
MAX(pay_date)取最近一次支付日期，用DATEDIFF换算成天数，就是R值，越小代表越近。COUNT(DISTINCT pay_date)计算有效购买天数，这里刻意去重，防止一天多个订单刷高F。SUM(pay_amount)计算累计净支付金额，就是M值。
如果你用的是Excel，同样可以在PQ里做分组：去重订单、清洗退款、按客户ID分组汇总、用MAX日期和透视表计算R/F/M。逻辑完全一样，只是工具不同。Python的话，一条groupby加agg就能处理，不展开写了。
2.3 评分规则怎么定？五等分法比简单二分法好使
得到原始值之后，还需要把R、F、M转化为可比较的分数。这步处理得好不好，直接影响后面分层的稳定性。
我推荐使用五分位评分法。也就是说，把每个指标从低到高切成5个档位，打分为1到5分。注意一个方向性细节：R值（天数）是越小越好，所以实际打分是反着的——R越小，得分越高。F和M则是值越大得分越高。
以SQL为例，可以通过窗口函数PERCENT_RANK()计算百分位排名，再用CASE WHEN落到对应的档位：
WITH rfm_raw AS ( -- 上一段的R/F/M计算结果 ), rfm_score AS ( SELECT customer_id, recency_days, frequency_days, monetary_value, CASE WHEN PERCENT_RANK() OVER (ORDER BY recency_days) <= 0.2 THEN 5 WHEN PERCENT_RANK() OVER (ORDER BY recency_days) <= 0.4 THEN 4 WHEN PERCENT_RANK() OVER (ORDER BY recency_days) <= 0.6 THEN 3 WHEN PERCENT_RANK() OVER (ORDER BY recency_days) <= 0.8 THEN 2 ELSE 1 END AS r_score, CASE WHEN PERCENT_RANK() OVER (ORDER BY frequency_days) <= 0.2 THEN 1 WHEN PERCENT_RANK() OVER (ORDER BY frequency_days) <= 0.4 THEN 2 WHEN PERCENT_RANK() OVER (ORDER BY frequency_days) <= 0.6 THEN 3 WHEN PERCENT_RANK() OVER (ORDER BY frequency_days) <= 0.8 THEN 4 ELSE 5 END AS f_score, CASE WHEN PERCENT_RANK() OVER (ORDER BY monetary_value) <= 0.2 THEN 1 WHEN PERCENT_RANK() OVER (ORDER BY monetary_value) <= 0.4 THEN 2 WHEN PERCENT_RANK() OVER (ORDER BY monetary_value) <= 0.6 THEN 3 WHEN PERCENT_RANK() OVER (ORDER BY monetary_value) <= 0.8 THEN 4 ELSE 5 END AS m_score FROM rfm_raw )这里最关键的决策点是分位数的选择。五分位法比二分法更适合国内零售业务，因为二分法会把约一半人分到“高M”组，完全失去了区分度；五分位则能把真正的头部20%单独圈出来。当然，如果你客户池很小（比如只有几千），五等分会很稀疏，退回到三分位或者结合业务阈值也可以。
还有一种做法是“业务阈值法”，比如M值超过1万算5分、5000-1万算4分，R值7天内算5分、8-15天算4分。这种方法的优势是可解释性强、但阈值需要业务部门反复确认，而且业务一变阈值就得改。没有绝对优劣，但我自己更喜欢五分位，因为它是数据驱动的，不需要拍脑袋。
分打好之后可以做加权综合分：综合分 = 0.3*R + 0.2*F + 0.5*M。但要注意，加权综合分只能用来做客户排名，不能用来定义“高/低”。真要分8类客户，还是用R/F/M各自的高/低阈值来做交叉，而不是综合分一刀切。
3. 分层后的运营策略：不同客户不同打法
模型算完、分打完，这只是第一步。RFM项目的成败，其实取决于分层结果能不能被运营团队真正用起来。如果你把8类客户名单发给运营，对方只回一句“然后呢”，那说明策略没有跟上。下面我拆解几种典型客户群的具体打法，都是验证过效率比较高的思路。
3.1 重要价值客户（R高F高M高）：维护比促单更重要
这类客户是金字塔尖，通常在整体客群中只占5%-10%，但贡献了30%-50%的收入。针对他们，我建议运营上做“特权感”而不是“多卖货”。典型动作包括：定向的VIP专属客服、新品优先体验、生日礼物、线下活动邀请等。核心目标不是让他们多买一单，而是延长生命周期、提升忠诚度。
这里有一个反向教训。某美妆品牌曾给这批客户发了一张某品类“满199减100”的大额券，结果转化率反而不如普通客户高。原因是这类客户买的是高端线，凑单阈值和他们的消费习惯根本不匹配，大额券在他们眼里反而显得品牌掉价。所以对重要价值客户，少打扰、多给权益，比垂涎他们的钱包更有用。
3.2 重要保持/挽留客户（R低、F/M高）：召回要分节奏做
这两个群体是典型的“沉默的金矿”。他们的共同特征是历史贡献很大，但已经有一段时间没有光顾了。区别在于：重要保持客户是近期刚刚沉默（R处于中低），还有机会尽快拉回；重要挽留客户则已经沉默了较长时间,需要更大力度的刺激。
实操中，我见过最高效的召回方式是“首次触达用服务属性内容，二次触达用利益点”。第一波先给一条关怀信息，比如“您购买的某产品有新版固件/服务升级了”或者“您账户中有积分即将到期”，目的是唤起记忆，不产生压迫感。如果两三天内没有回应，再发一个有明确时间窗口的专属召回券，比如“7日内有效、满500减80”，制造稀缺感。如果这波还没反应，基本可以判断当前周期内流失已成定局，强行召回的成本可能会大于客户未来带来的收益。
3.3 一般发展客户（R高F低M低）：新客养成，先追频次
这类客户的“最近消费时间”很近，但频次和金额都低，本质上是还没有形成购买习惯的新客户。从运营角度讲，他们是“最容易培养成中长期客户”的群体，因为温度还热着，关键是趁热打铁。
我的建议是，在一个月内做三次触达，形成“记忆点”：第一次是购买后第7-10天的回访，附带一个“新人专享复购券”；第二次是第20天左右，推送一个关联品类或者更高客单价的新品，试探其消费升级意愿；第三次是第30天左右，做一次权益提醒，比如“您还有一张券即将过期”。这三次触达的目标不是单笔转化，而是让用户记住你，习惯在你的平台上消费。
3.4 用分层结果做营销效果对比：一个实际案例
2023年我给一家零售客户做会员运营项目时，把全量客户跑完RFM之后，匹配了一次“春季大促”活动的结果。当时运营原本准备全量群发5元无门槛券，预算约15万元。我建议改成：重要价值客户不发现金券而是发双倍积分权益，重要保持客户发满减券，一般发展客户发新人礼包券。同样的预算，裂变控制在8万元以内，并且通过对比发现：定向分层的转化率是之前盲目全量群发的2.3倍，单客ROI提升了近1倍。最直观的说服力就在这个数字上。
4. 实操中避坑指南：这些坑我全都踩过
RFM模型本身不复杂，但实操过程中有大量细节会让你的结果“看上去没毛病、用起来全是病”。下面几条坑，我基本都真金白银地踩过一遍。
4.1 异常值处理：大单客户会把M评分打偏
零售数据里总有极端值。比如一个客户买了100台设备用于公司内部采购，虽然在订单明细里是真实成交，但如果你用这个数据来定义所有客户“高金额”的阈值，会造成一大批普通高价值客户的M评分被压缩到1-2分。处理方式有两种：
- 缩尾法：把M值超过95%分位的金额强制拉低到95%分位对应的数值，保留排名信息但消除极端影响；这是我在常规项目中比较喜欢的方式，操作成本低。
- 对数变换：对M值取对数后再做五等分，压缩长尾数据的差值范围。缺点是业务方解释起来有门槛，比如“M值对数6.8分”没法直接给运营团队讲。
另外，一定要把刷单和内部采购单独打标签剔除。团队里有一个口径是“单笔金额超过正常客单价30倍且收货地址为公司地址”的订单全部不提。这个规则先和业务确认，再落到取数SQL里。
4.2 不同品类客户放一起算，会得出荒唐结论
如果你的业务横跨多个品类，比如一个平台既卖9.9元的数据线，又卖上万元的电脑，那么把两个品类的客户放在同一个模型里算M评分，实际上是对高客单品类客户严重有利、低客单品类的客户全部被压到低分区。最后你可能得出“卖数据线的客户全是低价值客”的错误结论，但这个结论是完全被商品结构扭曲出来的。
解决思路有两种。一是分业务线建模：数据线和电脑各自跑一套RFM；二是引入相对M：如果一定要放到同一个模型，先把每个客户的消费金额除以该客户所属品类的平均客单价，得到一个标准化后的“相对钱包份额”再参与打分。实操中我更常做前者，因为不同业务线连运营团队都是分开的，分别建模更好落地。
4.3 数据口径变了，历史标签必须重建
RFM标签不是做一次就一劳永逸的。尤其是当底层数据仓库的字段逻辑发生变化时，比如取消订单从“物理删除”改成“状态标记”、退款流程从“立即退款”改成“T+1退款”，都会导致同一批客户的RFM值在重建日前后不可比。我的经验是：
- 每一期RFM标签，必须在表里同时记录
model_version和calc_date。 - 发布到业务方之前，先抽30个客户人工校验，和运营同事共同确认是否有明显的逻辑错误。
- 做月度趋势分析时，不要直接跨月对比标签，除非确认数据口径在这段时间内完全一致；否则你对比的可能是两套统计逻辑。
4.4 RFM的“8种客户”不是都要运营
最后是一个很容易踩的心态坑。很多同学刚学会RFM，就把8类客户每一个都制定一套运营策略，还搞出8条不同文案、8种不同券模板。结果运营根本没那么多精力和预算去执行，最后停留在PPT里。我给的建议是先做价值集中度分析：统计每一类客户的人数占比和营收占比，优先针对“人数占比不高、营收占比很高”的2-3个类型设计策略。剩下的先不动，等跑顺了再逐步扩展。
5. 进阶：RFM为什么不够用，以及我常做的改进
RFM模型很经典，但在今天的精细化运营要求下，它有几个天生的盲区。不是说要抛弃它，而是要在它之上再叠一层“增强滤镜”。
5.1 只描述历史，不预测未来
RFM的所有指标都是过去的交易行为的统计视图。它告诉你“谁过去有价值”，但没法直接告诉你“谁未来有价值”。比如一个刚注册的新客，本周买了一次，虽然RFM得分很低，但结合他访问频次、加购行为、活动点击等即时互动信号来看，他可能比一个“三个月前连续买了5次、但现在已冷却”的用户潜力更大。
我现在做增强版的做法是：在RFM的基础上，叠加一个“E（Engagement，互动度）”指标，比如最近30天的登录次数、浏览深度、加购次数、内容点击率。这就把「购后沉默但仍在浏览」的用户和「彻底流失不看一眼」的用户区分开了；前者在挽回优先级上更高，后者则可以进入低成本唤醒流程。
5.2 引入时间衰减，让F和M更敏感
传统RFM对F和M做的是简单累加，这意味着一个用户半年前买了5次和昨天买了5次，在这个模型中的F值完全一样。这其实不太合理——近期的行为应当比远期的行为更能反映用户当下的状态。
改进的方法是时间衰减加权：给每次交易按“距今的月数”赋一个权重，越近权重越高。例如权重可以设定为0.9^(距今天数/30)，然后把每单金额乘上这个权重后再累加，得到的weighted_M会比原始M更灵敏地反映“当下的消费质量”。R本身已经天然包含“近与远”，不需要再做衰减,重点放在F和M上。
5.3 用LTV来给“重要价值客户”按优先级排座次
RFM能帮你圈出重要价值客户群体，但在这个群体内部，仍然有优先级差异。我通常会在分层完成之后，再计算一个简单的LTV预估：LTV = 平均客单价 x 年均购买频次 x 预估留存年数。然后用这个LTV在“重要价值客户”内部做二次排序，把最强的10%单独拎出来做“战略级客户”管理。这样比单纯看RFM综合分要更贴近业务逻辑。
最后再说一个我个人在实际执行中反复验证过的观点：RFM项目最大的失败风险不是计算复杂度，而是“只算不用”。模型跑出来了，报表发到群里，然后就没有然后了。所以我会在搭建模型的同时，就强拉着运营和CRM团队一起定义“分层之后的第一条动作”，哪怕是最简单的一组消息推送，也一定要落地。另一个小技巧是，每次分层完先抽三五十个客户人工核一遍再看细节，避免被个别脏数据带到沟里去。这套东西，确实是CDA体系里面偏“重”但很实用的一环，我自己是在做会员项目时把它彻底吃透的。希望这篇梳理能帮你少走一些弯路，把RFM真正用出效果来。
