第一次给公司搭用户分层体系我第一反应就是RFM模型。它虽然听起来很学术但本质就一句话把客户的最近一次消费时间、消费频次、消费金额压成三个数字然后照着这三个数字给人贴标签。这三个数字分别是Recency、Frequency、Monetary合在一起就是RFM模型。这两年做用户运营的团队几乎都聊过RFM但真正能把它落地的人并不多。多数人卡在同一个地方手工算了几个指标、画了一张九宫格然后就不知道怎么用了。这篇文章会从一个最原始的订单表开始把口径怎么定、打分怎么打、结果怎么验证、运营动作怎么接全部走一遍。无论你用Excel还是Python只要照着思路走都能搭出一套能直接用的RFM模型。1. 先搞懂RFM模型到底在算什么1.1 三个字母背后的业务含义很多人把RFM当成一个黑盒统计模型其实它就是三个再朴素不过的指标。RRecency指最近一次消费距今的天数。比如某客户上次下单是在30天前那R就是30天。注意这个指标是反向的R越小说明客户最近还来过活跃度越高R越大说明已经很长时间没来了属于典型的沉睡风险人群。只看R你能判断“谁快流失了”但判断不了“流失了可惜不可惜”。FFrequency指观察窗口期内客户的消费次数。常见口径是统计成功支付的订单数也有人用“购买天数”去重比如一个人一天买三单只算一次购买行为。F反映的是客户对你产品的依赖度。高频客户往往不需要过多刺激他们自己会回来低频客户才需要推一把。MMonetary指窗口期内客户贡献的累计金额。这个字段最有争议因为它既可以算订单总金额也可以算实付金额、毛利甚至算客单价。我的经验是如果公司能拿到毛利口径最好用毛利退而求其次用实付金额千万别直接用GMV否则高退款品类会把模型带歪。这三个指标单独看都有局限但放在一起就是一个立体的客户画像一个又近又勤又舍得花钱的人显然是最值得维护的核心用户一个很久没来、以前却花钱很多的人则是最值得挽回的对象。1.2 为什么说RFM适合做客户分层做用户分层市面上有CLV客户生命周期价值、有机器学习聚类、有协同过滤但RFM模型依然是大多数团队第一个用的方案原因很现实。第一它不需要训练数据也不需要算法工程师。只要有一张干净的交易明细表Excel透视表加几个函数就能算出来。第二它可解释性极强。你可能很难解释聚类模型为什么把A客户分到群组3但你很容易解释“这个客户最近30天买过2次、累计贡献5000元”运营拿到标签后不需要培训就能看懂。第三它能直接指导行动。重要价值客户往VIP方向维护重要挽留客户做高折扣召回每个格子都有对应的运营动作。不过也得说句公道话RFM模型回答的是“过去谁值得好好服务”它不回答“未来谁会买”。它是存量客户盘点的好工具但不是销量预测模型。理解了这点你才不会指望它做超出能力范围的事。2. 创建RFM模型前的数据准备2.1 最小数据集长什么样构建RFM模型不需要复杂的数据仓库一张干净的订单明细表就够了。我做过的项目里最小可用字段只有五个。字段名示例值说明customer_iddemo_1001客户唯一标识可以是会员ID或手机号order_idORD20250601001订单唯一标识计算F时用order_date2025-06-01下单时间计算R和窗口期用order_statuscompleted订单状态过滤无效订单payment_amount268.00实付金额计算M用有些团队会把客单价、渠道来源、商品类目一起放进来这些字段不是RFM的必需品最多在分层之后做交叉分析时用。刚开始做守住这五列就够。顺带说一句别直接用ERP里导出的原始流水。先确认两件事每一行是订单维度还是订单明细维度。如果你的表里同一个订单有多行商品明细直接groupby订单号统计时会重复计数必须先按订单号去重或按订单号聚合。2.2 数据清洗与口径统一清洗这一步最容易被新手跳过但恰恰是决定模型质量的关键。我的建议是动手之前先固定以下几个口径。一是订单状态。取消、仅退款、售后关闭、内部测试单全都过滤掉。有一种常见错误是只过滤了“已取消”没过滤“已退款”。结果就是M被高估客户价值和实际贡献严重脱节。二是金额字段。保留实付金额大于0的记录。0元单、负数单、异常大额单都要检查。我之前遇到过一批金额上千的测试单全部挂在同一个客户ID下直接把这个客户顶成了最高价值用户后来一查是运营自己下单测试哭笑不得。三是基准日期。所谓R值是“某个观察截止日”减去“最近一次下单日”。这个截止日必须固定。如果你是今天跑数就定今天如果你是回算历史某一天就定那天。我建议第一次建模时选定一个业务月底比如6月30日这样后续每月滚动刷新口径一致每月结果才能对比。四是客户ID口径。一个客户可能用手机号、微信号、会员卡号分开注册如果数据里存在多个ID对应同一个人最好先做客户ID合并。不做合并的话同一真人的消费会被拆到多个假客户身上导致大量“低金额低活跃”的僵尸客户分层结果失真。清洗完先跑一个简单的检查客户总数、订单总数、总金额三个数和业务财务对得上。对不上就先别急着建模型回去查数据。3. 打分规则是RFM模型的灵魂3.1 分位数法五分钟跑出结果拿到了每个客户的R、F、M之后下一步就是打分。最省事的方案是分位数法把每个指标切成五档分别打1到5分。代码层面pandas里一行就能搞定。# 假设rfm表里已经有R、F、M三列 import pandas as pd # R是反向指标间隔越小越好所以分位最低的一组给5分 rfm[R_score] pd.qcut(rfm[R], 5, labels[5, 4, 3, 2, 1], duplicatesdrop) # F和M是正向指标分位越高分越高 rfm[F_score] pd.qcut(rfm[F], 5, labels[1, 2, 3, 4, 5], duplicatesdrop) rfm[M_score] pd.qcut(rfm[M], 5, labels[1, 2, 3, 4, 5], duplicatesdrop)这里的方向很关键。R是反向的得分必须反过来否则你会把“最久没来的客户”误判成高活跃。很多人第一次跑出来发现结果完全反直觉就是栽在这个细节上。分位数法的优点是快不需要任何业务判断数据一灌进去就出结果。缺点是当某个指标分布不均匀时很容易翻车。最典型的是F如果70%的客户半年只买过一次那么买两次的人可能就已经是前30%了会被打上4分甚至5分导致“高活跃”的含金量很低。遇到这种分布我建议直接切到下面的业务阈值法。3.2 业务阈值法更适合有经验的运营业务阈值法是根据业务经验设置分界值比如最近30天内买过算5分30到60天算4分。它的好处是分数含义稳定不会因为数据分布抖动而大幅变化而且运营同事更容易理解。阈值没有标准答案不同行业差得非常多。快消品客户30天不买已经很危险工业设备客户300天不买都算正常。下面这组阈值来自一个典型的零售电商场景仅作示例。指标5分4分3分2分1分R天[0, 30](30, 60](60, 90](90, 180]180以上F次8次以上5到7次3到4次2次1次M元5000以上1000到5000500到1000100到500100以下用pandas实现同样很简单。import numpy as np rfm[R_score] pd.cut( rfm[R], bins[0, 30, 60, 90, 180, np.inf], labels[5, 4, 3, 2, 1] ).astype(int) rfm[F_score] pd.cut( rfm[F], bins[0, 1, 3, 5, 8, np.inf], labels[1, 2, 3, 4, 5] ).astype(int) rfm[M_score] pd.cut( rfm[M], bins[0, 100, 500, 1000, 5000, np.inf], labels[1, 2, 3, 4, 5] ).astype(int)我见过太多团队直接把网上的阈值抄过来用结果客户几乎全落在“重要价值”和“一般挽留”两个格子里模型直接失去区分度。正确做法是先用分位数法跑一版看看每个指标的分布长什么样再根据分布和业务认知去设阈值。第一次建模先出结果再调阈值别指望一版到位。3.3 避免“玩具模型”的三个原则很多团队的RFM模型做完之后没人用问题往往出在“模型做得太玩具”。我总结过三个最常见的坑。第一只用平均值划分高低。如果客户消费金额呈长尾分布少数高客单客户会把平均值拉得很高按均值一卡剩下80%的人全是“低M”分层结果严重失真。正确做法是优先用中位数或者直接用3分作为高低分界线。第二三张表简单拼接不看业务逻辑。RFM的八个格子不是简单的排列组合每个格子都有业务含义。比如“低R、高F、高M”听起来矛盾但真实含义是一个以前很活跃的高价值客户近期突然不来了这是最需要挽回的人群。如果你贴完标签不看业务解释运营照样不知道怎么用。第三只做一次性模型。RFM模型是月度甚至周度刷新的动态工具。现在做的分层只能代表现在三个月后必须重新计算。团队真想把它用起来就把它做成固定报表每周自动更新。4. 手把手实操从订单表到客户分层4.1 第一步算出每名客户的R、F、M假设你手上有一张orders.csv列结构就是前面说的五列。先做数据读取和清洗再聚合成客户维度。import pandas as pd import numpy as np # 读取订单数据 orders pd.read_csv(orders.csv, parse_dates[order_date]) # 清洗只保留有效订单金额必须大于0 orders orders[orders[order_status] completed] orders orders[(orders[payment_amount].notna()) (orders[payment_amount] 0)] # 基准日期建议取业务统计截止日 ref_date pd.Timestamp(2025-06-30) # 按客户聚合 rfm orders.groupby(customer_id).agg( R(order_date, lambda x: (ref_date - x.max()).days), F(order_id, nunique), M(payment_amount, sum) ).reset_index()这段代码里最值得解释的是R的计算。x.max()是这名客户最近一次下单日期用基准日期去减它得到的就是“最近一次消费距今多少天”。用lambda在这里其实有点隐蔽如果你觉得难读可以先单独算最近下单日期再合并。F用的是nunique也就是把同一个订单号去重后计数。这是为了避免同一客户一天内下多单或者一个订单在明细表里多行导致次数虚高。M直接用sum求和。这里有个讨论点要不要用“客单价”替代“总金额”我的看法是不要轻易替代。总金额表达的是客户整体贡献适合判断价值等级客单价表达的是每次购买质量适合判断消费档次。RFM原始定义里M是累计金额不要自行改成其他口径否则后续和其他团队沟通要对齐很久。4.2 第二步生成RFM组合与八类客户算完R、F、M接着打分。这里我沿用上一章的零售电商阈值做演示。注意实际业务里一定要把阈值改成自己业务验证过的值。# 按业务阈值打分 rfm[R_score] pd.cut( rfm[R], bins[0, 30, 60, 90, 180, np.inf], labels[5, 4, 3, 2, 1] ).astype(int) rfm[F_score] pd.cut( rfm[F], bins[0, 1, 3, 5, 8, np.inf], labels[1, 2, 3, 4, 5] ).astype(int) rfm[M_score] pd.cut( rfm[M], bins[0, 100, 500, 1000, 5000, np.inf], labels[1, 2, 3, 4, 5] ).astype(int) # 分数不低于3算高低于3算低 def high_low(score): return 高 if score 3 else 低 rfm[R_flag] rfm[R_score].apply(high_low) rfm[F_flag] rfm[F_score].apply(high_low) rfm[M_flag] rfm[M_score].apply(high_low)有了三个高低标记就能组合出2乘2乘2一共8类客户。我用一个函数映射业务叫法。def label_customer(row): if row[R_flag] 高 and row[F_flag] 高 and row[M_flag] 高: return 重要价值客户 if row[R_flag] 高 and row[F_flag] 低 and row[M_flag] 高: return 重要发展客户 if row[R_flag] 低 and row[F_flag] 高 and row[M_flag] 高: return 重要保持客户 if row[R_flag] 低 and row[F_flag] 低 and row[M_flag] 高: return 重要挽留客户 if row[R_flag] 高 and row[F_flag] 高 and row[M_flag] 低: return 一般价值客户 if row[R_flag] 高 and row[F_flag] 低 and row[M_flag] 低: return 一般发展客户 if row[R_flag] 低 and row[F_flag] 高 and row[M_flag] 低: return 一般保持客户 return 一般挽留客户 rfm[客户类型] rfm.apply(label_customer, axis1)跑完之后你会得到一张包含客户ID、R、F、M、三个分数、三个标记、客户类型的表。这张表就是后续所有运营动作的数据底座。为了方便查看我习惯立刻做一个汇总透视。客户类型R_flagF_flagM_flag典型特征运营主线重要价值客户高高高活跃且高消费优先服务、VIP维护重要发展客户高低高最近在买但频次低提升频次、升级会员重要保持客户低高高高价值但近期流失主动挽回、专属权益重要挽留客户低低高过去贡献大但已沉默高折扣召回一般价值客户高高低活跃但消费力一般交叉销售、客单价拉升一般发展客户高低低刚来不久或活跃度一般培养频次一般保持客户低高低低频消费但还在低成本唤醒一般挽留客户低低低沉默且贡献低不投入或批量触达4.3 第三步验证分层结果能不能用分层结果出来以后别急着发给运营先做三个验证。第一个验证是看各层客户数占比。如果某一类占了60%以上说明阈值大概率有问题要回去重新审视打分区间。一般价值客户和重要价值客户加起来通常应该控制在20%到30%以内否则这个标签体系就没有区分度。第二个验证是看层间指标差异。用下面的代码输出每类客户的R、F、M均值肉眼观察各类之间是否有明显差异。summary rfm.groupby(客户类型).agg( 客户数(customer_id, count), R均值(R, mean), F均值(F, mean), M均值(M, mean) ).round(1) summary summary.sort_values(客户数, ascendingFalse) print(summary)如果发现“重要挽留客户”一个都没有或者“一般价值客户”的M均值和“重要价值客户”差不多说明这个模型的边界定义有问题需要重新调整阈值。第三个验证是抽样人工核对。随机抽20个客户打开他们的历史订单记录对照业务直觉看分类是否合理。这一步虽然原始但非常有效。我见过不少模型统计指标漂亮但抽出来一看明显的大客户被打成低价值就是因为客户ID合并没做干净。5. 常见问题与排查技巧实录5.1 R值异常大或者全是0R值要是出现几千天先看是不是基准日期设错了。比如你设置了2025年6月30日但数据里混入了未来订单R就变负数所有逻辑全乱。遇到负数先检查日期字段再检查是否过滤了预约订单。另一种情况是R全部集中在小范围比如所有客户都是0到7天。这种情况经常出现在你没选对订单时间字段用了“支付成功时间”而不是“下单时间”然后用今天去减支付时间结果当天支付的客户全变成R0。RFM的R需要统一为下单时间还是支付时间都可以但要全表统一绝不能混用。5.2 F值分布太偏分组结果不均衡最简单的问题是60%的客户只买过一次所以qcut切分时会报错“Bin edges must be unique”或者即便能切切出来的分数也不均匀。这属于指标天然偏态不是代码bug。我的处理方式是先对F做描述统计看P50、P75、P90分别在哪。如果P75都等于1说明大部分人只买一次此时不要强行五分位直接用业务分箱比如“0次绝对不出现1次算1分2到3次算3分4次以上算4分”。宁可分数区间粗一点也不要为了追求五档而硬切。同理M如果是幂律分布可以先做截断处理把超过P99的大额订单单独标注避免少数异常大额客户霸占最高档。5.3 窗口期怎么选才科学窗口期影响最大的是F和M。窗口太长F和M会变成历史累计值新客永远比不过老客模型失去“近期活跃”的含义窗口太短高频低频还没拉开差距分层不稳定。我常用的做法是先看业务自然的复购周期。零售电商一般看90天或180天耐用品、家装、教育等低频行业看一年或更久SaaS订阅类可以按合同期来定。实际建模时可以选择多个窗口期各跑一版比如90天、180天、365天各算一次对比分层结果稳定性。如果某个客户在三个窗口期里都被分成“重要价值”那不用犹豫他就是核心用户。如果结果时高时低说明他处于边界状态运营上就要谨慎对待。5.4 分层之后如何落到运营动作很多团队做完RFM模型结果就成了数据团队自嗨。要避免这个结局必须把每个分组翻译成运营动作。重要价值客户不用频繁打扰重点做VIP服务和权益触达重要发展客户要用满减券、积分加速来提升购买频次重要保持客户要重点关注他们一旦沉默损失很大可以用专属回访、限时权益唤醒重要挽留客户适合最后一波高折扣召回之后如果还是没反应就归入沉睡池。一般价值客户可以尝试交叉销售把毛利率高的关联产品推荐出去一般发展客户重点是培养消费习惯比如订阅提醒、定向优惠一般保持客户低成本激活即可一般挽留客户不值得投入高成本放进日常营销列表不做专项动作。这个模型最忌讳的是“做完分层就完事”。我现在的习惯是每个月固定跑一次把各类人群规模变化做成趋势表。哪类客户数量在涨哪类客户在变少比单月分层更能反映经营健康度。如果“重要保持客户”连续两个月增加说明高价值客户正在流失运营动作要尽早跟上。最后说一个我踩过的坑。最开始做RFM我把窗口期拉到了两年结果F和M基本等于历史累计值新客永远打不过老客分层结果换汤不换药。后来把窗口调到180天R、F、M才真正开始反映“近期活跃度”和“持续贡献”运营同事做活动时也愿意用这份表。RFM模型不是一个复杂算法它的价值在于逼着你想清楚你的客户最近来过吗、来得多吗、真金白银贡献了吗。想清楚这三个问题后面的运营动作自然就有了方向。 
长河君 · 2026/10/21 23:53:14 · 阅读 1.2k RFM模型详解：从订单表到客户分层实战指南
第一次给公司搭用户分层体系我第一反应就是RFM模型。它虽然听起来很学术但本质就一句话把客户的最近一次消费时间、消费频次、消费金额压成三个数字然后照着这三个数字给人贴标签。这三个数字分别是Recency、Frequency、Monetary合在一起就是RFM模型。这两年做用户运营的团队几乎都聊过RFM但真正能把它落地的人并不多。多数人卡在同一个地方手工算了几个指标、画了一张九宫格然后就不知道怎么用了。这篇文章会从一个最原始的订单表开始把口径怎么定、打分怎么打、结果怎么验证、运营动作怎么接全部走一遍。无论你用Excel还是Python只要照着思路走都能搭出一套能直接用的RFM模型。1. 先搞懂RFM模型到底在算什么1.1 三个字母背后的业务含义很多人把RFM当成一个黑盒统计模型其实它就是三个再朴素不过的指标。RRecency指最近一次消费距今的天数。比如某客户上次下单是在30天前那R就是30天。注意这个指标是反向的R越小说明客户最近还来过活跃度越高R越大说明已经很长时间没来了属于典型的沉睡风险人群。只看R你能判断“谁快流失了”但判断不了“流失了可惜不可惜”。FFrequency指观察窗口期内客户的消费次数。常见口径是统计成功支付的订单数也有人用“购买天数”去重比如一个人一天买三单只算一次购买行为。F反映的是客户对你产品的依赖度。高频客户往往不需要过多刺激他们自己会回来低频客户才需要推一把。MMonetary指窗口期内客户贡献的累计金额。这个字段最有争议因为它既可以算订单总金额也可以算实付金额、毛利甚至算客单价。我的经验是如果公司能拿到毛利口径最好用毛利退而求其次用实付金额千万别直接用GMV否则高退款品类会把模型带歪。这三个指标单独看都有局限但放在一起就是一个立体的客户画像一个又近又勤又舍得花钱的人显然是最值得维护的核心用户一个很久没来、以前却花钱很多的人则是最值得挽回的对象。1.2 为什么说RFM适合做客户分层做用户分层市面上有CLV客户生命周期价值、有机器学习聚类、有协同过滤但RFM模型依然是大多数团队第一个用的方案原因很现实。第一它不需要训练数据也不需要算法工程师。只要有一张干净的交易明细表Excel透视表加几个函数就能算出来。第二它可解释性极强。你可能很难解释聚类模型为什么把A客户分到群组3但你很容易解释“这个客户最近30天买过2次、累计贡献5000元”运营拿到标签后不需要培训就能看懂。第三它能直接指导行动。重要价值客户往VIP方向维护重要挽留客户做高折扣召回每个格子都有对应的运营动作。不过也得说句公道话RFM模型回答的是“过去谁值得好好服务”它不回答“未来谁会买”。它是存量客户盘点的好工具但不是销量预测模型。理解了这点你才不会指望它做超出能力范围的事。2. 创建RFM模型前的数据准备2.1 最小数据集长什么样构建RFM模型不需要复杂的数据仓库一张干净的订单明细表就够了。我做过的项目里最小可用字段只有五个。字段名示例值说明customer_iddemo_1001客户唯一标识可以是会员ID或手机号order_idORD20250601001订单唯一标识计算F时用order_date2025-06-01下单时间计算R和窗口期用order_statuscompleted订单状态过滤无效订单payment_amount268.00实付金额计算M用有些团队会把客单价、渠道来源、商品类目一起放进来这些字段不是RFM的必需品最多在分层之后做交叉分析时用。刚开始做守住这五列就够。顺带说一句别直接用ERP里导出的原始流水。先确认两件事每一行是订单维度还是订单明细维度。如果你的表里同一个订单有多行商品明细直接groupby订单号统计时会重复计数必须先按订单号去重或按订单号聚合。2.2 数据清洗与口径统一清洗这一步最容易被新手跳过但恰恰是决定模型质量的关键。我的建议是动手之前先固定以下几个口径。一是订单状态。取消、仅退款、售后关闭、内部测试单全都过滤掉。有一种常见错误是只过滤了“已取消”没过滤“已退款”。结果就是M被高估客户价值和实际贡献严重脱节。二是金额字段。保留实付金额大于0的记录。0元单、负数单、异常大额单都要检查。我之前遇到过一批金额上千的测试单全部挂在同一个客户ID下直接把这个客户顶成了最高价值用户后来一查是运营自己下单测试哭笑不得。三是基准日期。所谓R值是“某个观察截止日”减去“最近一次下单日”。这个截止日必须固定。如果你是今天跑数就定今天如果你是回算历史某一天就定那天。我建议第一次建模时选定一个业务月底比如6月30日这样后续每月滚动刷新口径一致每月结果才能对比。四是客户ID口径。一个客户可能用手机号、微信号、会员卡号分开注册如果数据里存在多个ID对应同一个人最好先做客户ID合并。不做合并的话同一真人的消费会被拆到多个假客户身上导致大量“低金额低活跃”的僵尸客户分层结果失真。清洗完先跑一个简单的检查客户总数、订单总数、总金额三个数和业务财务对得上。对不上就先别急着建模型回去查数据。3. 打分规则是RFM模型的灵魂3.1 分位数法五分钟跑出结果拿到了每个客户的R、F、M之后下一步就是打分。最省事的方案是分位数法把每个指标切成五档分别打1到5分。代码层面pandas里一行就能搞定。# 假设rfm表里已经有R、F、M三列 import pandas as pd # R是反向指标间隔越小越好所以分位最低的一组给5分 rfm[R_score] pd.qcut(rfm[R], 5, labels[5, 4, 3, 2, 1], duplicatesdrop) # F和M是正向指标分位越高分越高 rfm[F_score] pd.qcut(rfm[F], 5, labels[1, 2, 3, 4, 5], duplicatesdrop) rfm[M_score] pd.qcut(rfm[M], 5, labels[1, 2, 3, 4, 5], duplicatesdrop)这里的方向很关键。R是反向的得分必须反过来否则你会把“最久没来的客户”误判成高活跃。很多人第一次跑出来发现结果完全反直觉就是栽在这个细节上。分位数法的优点是快不需要任何业务判断数据一灌进去就出结果。缺点是当某个指标分布不均匀时很容易翻车。最典型的是F如果70%的客户半年只买过一次那么买两次的人可能就已经是前30%了会被打上4分甚至5分导致“高活跃”的含金量很低。遇到这种分布我建议直接切到下面的业务阈值法。3.2 业务阈值法更适合有经验的运营业务阈值法是根据业务经验设置分界值比如最近30天内买过算5分30到60天算4分。它的好处是分数含义稳定不会因为数据分布抖动而大幅变化而且运营同事更容易理解。阈值没有标准答案不同行业差得非常多。快消品客户30天不买已经很危险工业设备客户300天不买都算正常。下面这组阈值来自一个典型的零售电商场景仅作示例。指标5分4分3分2分1分R天[0, 30](30, 60](60, 90](90, 180]180以上F次8次以上5到7次3到4次2次1次M元5000以上1000到5000500到1000100到500100以下用pandas实现同样很简单。import numpy as np rfm[R_score] pd.cut( rfm[R], bins[0, 30, 60, 90, 180, np.inf], labels[5, 4, 3, 2, 1] ).astype(int) rfm[F_score] pd.cut( rfm[F], bins[0, 1, 3, 5, 8, np.inf], labels[1, 2, 3, 4, 5] ).astype(int) rfm[M_score] pd.cut( rfm[M], bins[0, 100, 500, 1000, 5000, np.inf], labels[1, 2, 3, 4, 5] ).astype(int)我见过太多团队直接把网上的阈值抄过来用结果客户几乎全落在“重要价值”和“一般挽留”两个格子里模型直接失去区分度。正确做法是先用分位数法跑一版看看每个指标的分布长什么样再根据分布和业务认知去设阈值。第一次建模先出结果再调阈值别指望一版到位。3.3 避免“玩具模型”的三个原则很多团队的RFM模型做完之后没人用问题往往出在“模型做得太玩具”。我总结过三个最常见的坑。第一只用平均值划分高低。如果客户消费金额呈长尾分布少数高客单客户会把平均值拉得很高按均值一卡剩下80%的人全是“低M”分层结果严重失真。正确做法是优先用中位数或者直接用3分作为高低分界线。第二三张表简单拼接不看业务逻辑。RFM的八个格子不是简单的排列组合每个格子都有业务含义。比如“低R、高F、高M”听起来矛盾但真实含义是一个以前很活跃的高价值客户近期突然不来了这是最需要挽回的人群。如果你贴完标签不看业务解释运营照样不知道怎么用。第三只做一次性模型。RFM模型是月度甚至周度刷新的动态工具。现在做的分层只能代表现在三个月后必须重新计算。团队真想把它用起来就把它做成固定报表每周自动更新。4. 手把手实操从订单表到客户分层4.1 第一步算出每名客户的R、F、M假设你手上有一张orders.csv列结构就是前面说的五列。先做数据读取和清洗再聚合成客户维度。import pandas as pd import numpy as np # 读取订单数据 orders pd.read_csv(orders.csv, parse_dates[order_date]) # 清洗只保留有效订单金额必须大于0 orders orders[orders[order_status] completed] orders orders[(orders[payment_amount].notna()) (orders[payment_amount] 0)] # 基准日期建议取业务统计截止日 ref_date pd.Timestamp(2025-06-30) # 按客户聚合 rfm orders.groupby(customer_id).agg( R(order_date, lambda x: (ref_date - x.max()).days), F(order_id, nunique), M(payment_amount, sum) ).reset_index()这段代码里最值得解释的是R的计算。x.max()是这名客户最近一次下单日期用基准日期去减它得到的就是“最近一次消费距今多少天”。用lambda在这里其实有点隐蔽如果你觉得难读可以先单独算最近下单日期再合并。F用的是nunique也就是把同一个订单号去重后计数。这是为了避免同一客户一天内下多单或者一个订单在明细表里多行导致次数虚高。M直接用sum求和。这里有个讨论点要不要用“客单价”替代“总金额”我的看法是不要轻易替代。总金额表达的是客户整体贡献适合判断价值等级客单价表达的是每次购买质量适合判断消费档次。RFM原始定义里M是累计金额不要自行改成其他口径否则后续和其他团队沟通要对齐很久。4.2 第二步生成RFM组合与八类客户算完R、F、M接着打分。这里我沿用上一章的零售电商阈值做演示。注意实际业务里一定要把阈值改成自己业务验证过的值。# 按业务阈值打分 rfm[R_score] pd.cut( rfm[R], bins[0, 30, 60, 90, 180, np.inf], labels[5, 4, 3, 2, 1] ).astype(int) rfm[F_score] pd.cut( rfm[F], bins[0, 1, 3, 5, 8, np.inf], labels[1, 2, 3, 4, 5] ).astype(int) rfm[M_score] pd.cut( rfm[M], bins[0, 100, 500, 1000, 5000, np.inf], labels[1, 2, 3, 4, 5] ).astype(int) # 分数不低于3算高低于3算低 def high_low(score): return 高 if score 3 else 低 rfm[R_flag] rfm[R_score].apply(high_low) rfm[F_flag] rfm[F_score].apply(high_low) rfm[M_flag] rfm[M_score].apply(high_low)有了三个高低标记就能组合出2乘2乘2一共8类客户。我用一个函数映射业务叫法。def label_customer(row): if row[R_flag] 高 and row[F_flag] 高 and row[M_flag] 高: return 重要价值客户 if row[R_flag] 高 and row[F_flag] 低 and row[M_flag] 高: return 重要发展客户 if row[R_flag] 低 and row[F_flag] 高 and row[M_flag] 高: return 重要保持客户 if row[R_flag] 低 and row[F_flag] 低 and row[M_flag] 高: return 重要挽留客户 if row[R_flag] 高 and row[F_flag] 高 and row[M_flag] 低: return 一般价值客户 if row[R_flag] 高 and row[F_flag] 低 and row[M_flag] 低: return 一般发展客户 if row[R_flag] 低 and row[F_flag] 高 and row[M_flag] 低: return 一般保持客户 return 一般挽留客户 rfm[客户类型] rfm.apply(label_customer, axis1)跑完之后你会得到一张包含客户ID、R、F、M、三个分数、三个标记、客户类型的表。这张表就是后续所有运营动作的数据底座。为了方便查看我习惯立刻做一个汇总透视。客户类型R_flagF_flagM_flag典型特征运营主线重要价值客户高高高活跃且高消费优先服务、VIP维护重要发展客户高低高最近在买但频次低提升频次、升级会员重要保持客户低高高高价值但近期流失主动挽回、专属权益重要挽留客户低低高过去贡献大但已沉默高折扣召回一般价值客户高高低活跃但消费力一般交叉销售、客单价拉升一般发展客户高低低刚来不久或活跃度一般培养频次一般保持客户低高低低频消费但还在低成本唤醒一般挽留客户低低低沉默且贡献低不投入或批量触达4.3 第三步验证分层结果能不能用分层结果出来以后别急着发给运营先做三个验证。第一个验证是看各层客户数占比。如果某一类占了60%以上说明阈值大概率有问题要回去重新审视打分区间。一般价值客户和重要价值客户加起来通常应该控制在20%到30%以内否则这个标签体系就没有区分度。第二个验证是看层间指标差异。用下面的代码输出每类客户的R、F、M均值肉眼观察各类之间是否有明显差异。summary rfm.groupby(客户类型).agg( 客户数(customer_id, count), R均值(R, mean), F均值(F, mean), M均值(M, mean) ).round(1) summary summary.sort_values(客户数, ascendingFalse) print(summary)如果发现“重要挽留客户”一个都没有或者“一般价值客户”的M均值和“重要价值客户”差不多说明这个模型的边界定义有问题需要重新调整阈值。第三个验证是抽样人工核对。随机抽20个客户打开他们的历史订单记录对照业务直觉看分类是否合理。这一步虽然原始但非常有效。我见过不少模型统计指标漂亮但抽出来一看明显的大客户被打成低价值就是因为客户ID合并没做干净。5. 常见问题与排查技巧实录5.1 R值异常大或者全是0R值要是出现几千天先看是不是基准日期设错了。比如你设置了2025年6月30日但数据里混入了未来订单R就变负数所有逻辑全乱。遇到负数先检查日期字段再检查是否过滤了预约订单。另一种情况是R全部集中在小范围比如所有客户都是0到7天。这种情况经常出现在你没选对订单时间字段用了“支付成功时间”而不是“下单时间”然后用今天去减支付时间结果当天支付的客户全变成R0。RFM的R需要统一为下单时间还是支付时间都可以但要全表统一绝不能混用。5.2 F值分布太偏分组结果不均衡最简单的问题是60%的客户只买过一次所以qcut切分时会报错“Bin edges must be unique”或者即便能切切出来的分数也不均匀。这属于指标天然偏态不是代码bug。我的处理方式是先对F做描述统计看P50、P75、P90分别在哪。如果P75都等于1说明大部分人只买一次此时不要强行五分位直接用业务分箱比如“0次绝对不出现1次算1分2到3次算3分4次以上算4分”。宁可分数区间粗一点也不要为了追求五档而硬切。同理M如果是幂律分布可以先做截断处理把超过P99的大额订单单独标注避免少数异常大额客户霸占最高档。5.3 窗口期怎么选才科学窗口期影响最大的是F和M。窗口太长F和M会变成历史累计值新客永远比不过老客模型失去“近期活跃”的含义窗口太短高频低频还没拉开差距分层不稳定。我常用的做法是先看业务自然的复购周期。零售电商一般看90天或180天耐用品、家装、教育等低频行业看一年或更久SaaS订阅类可以按合同期来定。实际建模时可以选择多个窗口期各跑一版比如90天、180天、365天各算一次对比分层结果稳定性。如果某个客户在三个窗口期里都被分成“重要价值”那不用犹豫他就是核心用户。如果结果时高时低说明他处于边界状态运营上就要谨慎对待。5.4 分层之后如何落到运营动作很多团队做完RFM模型结果就成了数据团队自嗨。要避免这个结局必须把每个分组翻译成运营动作。重要价值客户不用频繁打扰重点做VIP服务和权益触达重要发展客户要用满减券、积分加速来提升购买频次重要保持客户要重点关注他们一旦沉默损失很大可以用专属回访、限时权益唤醒重要挽留客户适合最后一波高折扣召回之后如果还是没反应就归入沉睡池。一般价值客户可以尝试交叉销售把毛利率高的关联产品推荐出去一般发展客户重点是培养消费习惯比如订阅提醒、定向优惠一般保持客户低成本激活即可一般挽留客户不值得投入高成本放进日常营销列表不做专项动作。这个模型最忌讳的是“做完分层就完事”。我现在的习惯是每个月固定跑一次把各类人群规模变化做成趋势表。哪类客户数量在涨哪类客户在变少比单月分层更能反映经营健康度。如果“重要保持客户”连续两个月增加说明高价值客户正在流失运营动作要尽早跟上。最后说一个我踩过的坑。最开始做RFM我把窗口期拉到了两年结果F和M基本等于历史累计值新客永远打不过老客分层结果换汤不换药。后来把窗口调到180天R、F、M才真正开始反映“近期活跃度”和“持续贡献”运营同事做活动时也愿意用这份表。RFM模型不是一个复杂算法它的价值在于逼着你想清楚你的客户最近来过吗、来得多吗、真金白银贡献了吗。想清楚这三个问题后面的运营动作自然就有了方向。