定义

R 最近1次消费时间间隔（Recency）
F 消费频率（Frequency）
M 消费金额（Monetary）：一段时间内消费的总金额（“一段时间”通常根据不同应用场景来定）
而用这三个指标进行分析的方法就叫RFM模型或者是RFM分析法。

指标分析

第一个指标R一定是越低越好。
例如，翔宇开了一个店铺，今天是31号，我要根据这个月的销售情况读客户分群，找到不同“层次”的客户。而张三是店里的常客，他这个月最后一次在翔宇的店里消费是29号，那么距离31号是2天，这个时候，我们就说R等于2，于是我们肯定是认为R越小，客户价值越高。

第二个指标是消费频率F，F一定是越高越好了，这个就更简单了吧，就比如还是上面的例子，这个月张三总共来了翔宇的店里消费了5次，那么F就是5，我们希望F越大越好

第三个是消费金额M，这个就更明显了，我就不解释了啊，M一定是越大客户越有价值。

模型分析

知道这三个指标后，RFM模型是根据这三个指标得到一个三维的空间（立体坐标系），然后将客户根据各自三个指标的值映射到8个象限中，根据查看客户所在象限确定其价值程度。如下图。

如何衡量每个客户的RFM指标

那么，通过这样八个维度的划分，我们就成功将客户划分成了八个类别。那么接下来问题来了，我们需要怎样衡量每一个客户的RFM指标呢？

想要计算每个用户的RFM，通常我们需要的信息有：用户ID，消费时间，消费金额。

1. 确定时间范围

因为RFM与时间有关，因此很多同学在取数的时候会纠结时间怎么分；严格来说，越柴米油盐，消费频次本身越高的业务，取的时间应该越短。
最典型的就是生鲜，人天天都要吃饭，7天不吃可能就有问题；普通的快消品零售可能取30天，类似服装百货零售可能取90天；

2. 要定义指标的衡量标准

例如对于最近消费时间间隔R来说，我们怎样定义标准呢？是小于3天算高呢？还是小于5天算高呢？
还是超过20天算低呢？对于这个问题，对于不同的业务场景来说都是不同的，所以，这个时候，我们就得找上我们的业务、运营来讨论定义标准了。
定义好标准后，我们通常得到类似这样一个打分表

同理，对于F、M两个指标，也是使用同样的方式进行定义，接下来就是根据表格对指标进行打分了。

3. 对客户指标进行打分

4. 计算平均值

一般我们用每个指标打分的平均值作为划分标准，即是客户的对应得分大于等于平均值分类为高，否则为低。例如

5. 用户分类

根据，4中的划分，现在，我们就可以在八个象限中找到该客户的位置了，我们将客户分为以下八类。

不同客户不同解决方案

得到客户分类后，我们是不是就该对不同的客户提供不同的服务呢?

这就是人们常说的精细化运营，在流量红利逐渐消失后，人们不得不进行精细化运营，必须对不同的客户提供不同等级的服务。在文章开头讲到的没有数据分析师的公司问题就是还没有意识到精细化运营这一点，才出现了连”大客户“的名单都不知道的情况。

言归正传，那么，通常我们肯定是要将重点放在前四类客户上。对于
1.重要价值客户，RFM都很高，我们要提供VIP服务
2.重要发展客户，消费频率低，这类客户是最容易转化成第一类客户的群体，一定要想办法提高他们的消费频率。
3.重要保持客户，最近一笔消费时间已经有些远了，所以必须要主动保持联系，提高复购。
4.重要挽留客户，这类客户消费频率低和最近消费时间间隔比较远，但是消费金额高，这种用户即将流失，要主动联系用户，调查问题出在哪里，想办法挽回。

RFM的最大短板

RFM最大的短板，在于用户ID统一认证；不要小看这几个字，在相当多的企业里非常难实现。

比如你去超市、连锁店、门店买东西，往往收银小妹会机械的问一句：有会员卡吗？如果回答没有，她也放你过去了；导致的结果，是线下门店的订单，一般有70%-90%无法关联到用户ID；进而导致整个用户数据是严重缺失的，直接套RFM很容易误判用户行为。
至于用户一人多张会员卡轮流薅羊毛，多个用户共同一张VIP卡拿最大折扣，店员自己用亲戚的卡把无ID订单的羊毛给薅了之类的事，更是层出不穷；而且在实体企业、互联网企业都普遍存在。

所以做RFM模型的时候，如果你真看到111类用户，别高兴太早，十有八九是有问题的；现在的企业往往在天猫、京东、自有微商城、有赞等几个平台同时运作，更加大了统一认证的难度；如果没有规划好，很容易陷入无穷无尽的补贴大坑。

RFM的深层问题

即使做好了用户ID统一认证，RFM还有一个更深层的问题。

让我们回顾一下，RFM模型的三个基本假设：
R：用户离得越久就越有流失风险
F：用户频次越高越忠诚
M：用户买的越多越有价值
反问一句：这三个假设成立吗？

如果不结合具体行业、具体产品、具体活动来看，似乎是成立的；但是一旦具体讨论就会发现：很多场景不满足这三个假设；因此：单纯讲RFM，不结合产品、活动，是很容易出BUG的。

R：用户离得越久就越有流失风险

• 如果是服装这种季节性消费，用户间隔2-3个月是很正常；
• 如果是手机、平板这种新品驱动产品，间隔时间基本跟着产品更新周期走；
• 如果是家居、住房、汽车这种大件耐用品，R就没啥意义，用户一辈子就买2次；
• 如果是预付费，后刷卡的模式，R就不存在了，需要用核销数据代替。
  所以R不见得就代表着用户有流失风险，特别是现在有了埋点数据以后，用户互动行为更能说明问题。

F：用户频次越高越忠诚

• 如果用户消费是事件驱动的，比如赛事、节假日、生日、周末；
• 如果用户消费是活动驱动的，比如啥时候有优惠啥时候买；
• 如果用户消费是固定模式的，比如买药的用量就是30天。
  以上情况都会导致F的数值不固定，可能是随机产生的，也可能是人为操纵的。

很多企业僵硬地执行RFM模型，往往会定一个固定的F值，比如促使用户买4次，因为数据上看买了4次以上的用户就很忠诚；结果就是引发用户人为拆单，最后F值做上去了，利润掉下来了。

M: 用户买的越多越有价值

• 如果用户是图便宜，趁有折扣的时候囤货呢？
• 如果用户买了一堆，已经吃腻了、用够了呢？
• 如果用户买的是耐用品，买完这一单就等十几二十年呢？
• 如果用户消费本身有生命周期，比如母婴，游戏，已经到了生命周期末尾呢？
  很多情况下，用户过去买的多，不代表未来买的多，这两者不划等号；因此真看到011、001、101的客人，别急着派券，整明白到底出了啥问题才是关键。

除了单独维度的问题外，三个维度连起来看，也容易出问题；因为很多公司的用户结构不是金字塔形，而是埃菲尔铁塔型——底部聚集了太多的不活跃用户，且不活跃用户大多只有1单，或者只有几次登录便流失；因此RFM真按八分类化出来，可能000的用户比例特别多。

这意味着现有存活的用户，可能是幸存者偏差的结果，现有的111不是000的未来；要更深层次地分析为啥会沉淀大量不活跃用户，甚至从根上改变流程，才能解决问题；真按照RFM生搬硬套。可能就把业务带到死胡同里了。

来源：https://zhuanlan.zhihu.com/p/432845221
https://baijiahao.baidu.com/s?id=1678599529528503634&wfr=spider&for=pc