RFM 客户分层，是把最近消费时间 R、消费频次 F、消费金额 M 三个指标算成分值，再把分值组合成若干客户层级，让每一层对应一条运营动作。它解决的问题很直接，客户数量变大以后，凭感觉圈人越来越不可靠，需要一套可解释、可复用的价值分层标准，决定把预算和触达优先给谁。
先定口径，再打分、分层、配策略，最后用对照实验验证。文中给出一组可复算的演示数据和一张分层策略矩阵，订阅、游戏、零售的指标调整也一并说明。
一、客户分层前先定清口径
RFM 的三个指标各衡量客户价值的一个侧面。
- R 指最近一次消费距今的天数，衡量新鲜度。R 越小越活跃，流失风险越低。
- F 指观察窗口内的成交次数，衡量忠诚度。F 只统计有成交的订单，浏览、加购、点击都不算。
- M 指观察窗口内的成交金额，衡量贡献度。可以用累计金额，也可以用平均客单价。
动手计算之前，先定三件事。
第一，圈定交易客户。 RFM 只分析已经产生过交易的客户，纯注册没下单的账号 R、F、M 都不完整，放进分层会把分母撑大。未交易用户单独用注册时长和活跃行为分析。
第二，定观察窗口。 高频业务取 30 到 90 天，低频业务取 90 到 365 天。窗口要覆盖至少一个完整消费周期，让大多数活跃客户在窗口内至少有一次交易。
第三，统一订单口径。 F 统计成交次数，M 统计成交金额，退款和取消订单按业务规则扣除，口径前后保持一致，分层才不会漂。
二、给 R、F、M 打分
算出来的 R、F、M 是连续数值，直接比较会失真，昨天消费和十天前消费的差距并不线性。通行做法是给每个指标切档打分，两种切法按业务成熟度选择。
高低两档。 给每个指标定一条分界线，高于分界线算高，低于算低，三个指标组合出 8 种客户。分界线可以取中位数、均值，也可以按业务定，比如把 90 天内有 4 次以上成交、金额超过 1000 元的客户归为高档。
五档打分。 把每个指标排序后切成五档，每档各占 20% 的客户，打 1 到 5 分。R 要反向打，最近消费的一批打 5 分，最久的一批打 1 分，F 和 M 越大分越高。
新手建议先用高低两档把分层跑通，再考虑五档细化。
下面用一组演示数据说明。观察窗口 90 天，R 分界 30 天，F 分界 4 次，M 分界 1000 元。
| 客户 | R 天数 | F 次数 | M 金额 | R 档 | F 档 | M 档 | 分层 |
|---|---|---|---|---|---|---|---|
| A | 3 | 12 | 3200 | 高 | 高 | 高 | 重要价值客户 |
| B | 45 | 9 | 2800 | 低 | 高 | 高 | 重要保持客户 |
| C | 6 | 2 | 1500 | 高 | 低 | 高 | 重要发展客户 |
| D | 70 | 1 | 800 | 低 | 低 | 低 | 一般挽留客户 |
| E | 10 | 15 | 600 | 高 | 高 | 低 | 一般价值客户 |
| F | 58 | 3 | 1200 | 低 | 低 | 高 | 重要挽留客户 |
表中数据为示例，分界线按业务实际情况调整。
三、把分值组合成八类客户分层
R、F、M 各分高低两档，组合出8 类客户，通行命名和指标对应如下。
| 分层名称 | 指标组合 | 客户特征 |
|---|---|---|
| 重要价值客户 | 高高高 | 最近来过、频次高、金额高 |
| 重要保持客户 | 低高高 | 金额频次高但最近没来 |
| 重要发展客户 | 高低高 | 最近来过、金额高但频次低 |
| 重要挽留客户 | 低低高 | 金额高但新鲜度和频次都差 |
| 一般价值客户 | 高高低 | 最近来过、频次高但金额低 |
| 一般保持客户 | 低高低 | 频次高但最近没来、金额低 |
| 一般发展客户 | 高低低 | 最近来过但频次和金额都低 |
| 一般挽留客户 | 低低低 | 三项都低 |
这 8 类只是通行命名，不同平台的叫法略有差异，有的用重点替代重要，有的把保持叫维持。分完层要保证每层都能落到一条具体运营动作，命名只是把动作归类的手段。业务也可以合并或细分，比如提高 M 的权重，把重要价值客户再拆两档。
四、给每一层配上运营动作
分层之后动作也要分层，不同客户对触达的敏感度不同。 下面是一张策略矩阵。
| 分层 | 核心判断 | 运营动作 |
|---|---|---|
| 重要价值客户 | 高贡献且活跃 | 专属权益和服务关怀，控制打扰频率 |
| 重要保持客户 | 高贡献但最近没来 | 及时召回，推送新品和专属优惠 |
| 重要发展客户 | 高潜力但频次低 | 提升复购频次，交叉推荐相关商品 |
| 重要挽留客户 | 高贡献但有流失风险 | 定向挽留，触发流失预警 |
| 一般价值客户 | 活跃但客单低 | 提升客单价，用套餐或满减引导 |
| 一般保持客户 | 频次高但价值低且最近没来 | 轻度召回，低预算触达 |
| 一般发展客户 | 最近来过但价值低 | 培养消费习惯，给首复购激励 |
| 一般挽留客户 | 三项都低 | 低成本触达或暂不投入 |
触达话术也要分层。重要价值客户适合权益和服务，重要挽留客户适合利益刺激，一般挽留客户可能只值得一条短信。
五、订阅、游戏、零售怎么调整指标
RFM 的框架通用，指标定义要跟着业务特征调整。
订阅类业务，比如会员、视频或软件订阅，R 用最近一次续费或到期日，F 用累计续费次数，M 用累计付费金额。核心是盯住续费有没有中断，观察窗口要覆盖一个续费周期。
游戏业务，R 用最近一次登录或付费，F 用窗口内登录天数或付费次数，M 用付费金额。付费玩家和活跃未付费玩家要分开看，未付费玩家更适合单独用活跃度分层。
零售和电商，R 用最近一次购买，F 用订单数，M 用累计金额或客单价。高频快消窗口取短，低频大额窗口取长。
六、用对照实验验证分层效果
分层只是圈人，动作有没有效果要用实验验证。把同一层的客户随机分成实验组和对照组，实验组做召回或提频动作，对照组保持常规，比较两组的复购率、客单价和召回成功率。
只看分层后的整体收入会误判，因为分层动作和季节、大促等因素混在一起，对照实验能把这部分影响剥离开。
分层还要定期重算。 客户今天在重要价值层，两周不来就滑到重要保持层，所以每周或每月刷新一次，让分层跟着最近行为走。分层结果再往下钻，可以结合漏斗和留存分析找流失原因。
七、常见问题解答
RFM 适合哪些业务？
有稳定成交行为的业务都适合，电商、游戏、会员制零售、订阅服务是典型场景。纯内容型或低频大额业务需要调整窗口和指标定义，分层思路通用。
R、F、M 的权重怎么定？
没有固定答案。流失压力大就提高 R 权重，复购不足就提高 F 权重，客单价是短板就提高 M 权重。先按行业经验起一版，再用后续转化数据校准。
观察窗口选多长？
高频业务 30 到 90 天，低频业务 90 到 365 天，让大多数活跃客户在窗口内至少有一次交易。
新用户没下单要算 RFM 吗？
不算。RFM 依赖成交数据，新用户先用注册时长和活跃行为分析，产生第一笔成交后再纳入。
8 类之外能分更多层吗？
能。可以用五档打分组合出更细的分层，或把 M 拆成累计金额和客单价两个维度，但层数要与可执行的运营动作匹配，分太细反而执行不了。
手工表格算 RFM，几十个客户还能应付，规模到几万、几十万以后，口径维护和定期刷新就变得很重。更实际的路径是把 RFM 做成平台上的标准模型，和用户分群、自动化触达连成一条线。ThinkingAI 把 RFM 作为内建的分析能力，运营定好观察窗口和分档规则后，系统自动算分并落到用户分群，分群后再接自动化触达，比如给重要保持客户自动推召回券，给重要价值客户自动打标签进入专属服务名单。这条链路让 RFM 从一份静态报告变成每天在跑的运营动作，分层结果能被后续的触达、转化和复购数据不断验证，需要体验可以在 ThinkingAI 官网申请演示。
