在数据分析和用户运营领域，RFM模型是一个强大的工具，用于识别和管理客户价值。然而，许多关于RFM的介绍往往停留在理论层面，缺乏与实际业务的结合。

RFM网上有很多网红文章在讲，但是大部分都是人云亦云，也没有和业务实操结合。今天就做个深度解读，文章较长，后边慢慢看。

RFM模型的底层逻辑

频次高低，可以衡量用户偏好程度。这是一条基本原则，比如：

• （R）每天吃苹果的，比半年吃一次的，更偏好苹果
• （M）半年吃50斤的，比半年吃2两的，更偏好苹果
• （F）半年吃100次的，比半年吃1次的人，更偏好苹果

所以，依靠统计RFM，可以区分出轻中重度用户，从而指导业务工作。

但是！RFM有局限性，一个人半年吃50斤苹果，原因很多样：

1、可能因为爱吃（真正的“偏好”）

2、也可能仅仅因为穷（有钱了，需求就变了）

3、也可能苹果便宜，卖多了（促销影响）

所以，仅靠RFM，只能识别用户，还需要进一步分析，才能做出有价值的分类。

RFM模型的计算

在企业中，RFM一般用于统计用户消费行为

• R（recency）最后一次消费距今多久
• F（frequency）最近1段时间内消费频率
• M（monetary）最近1段时间内累计消费金额

统计后形式如下表所示，每个用户有对应的RFM指标数值。

这里有5个要点注意：

1、RFM以用户ID为单位进行统计，如果没记录用户ID，只有订单小票的流水号，则没法用这个模型，至少得有个手机号做ID。

2、F值统计规则要看业务场景，如果一天内可能多笔、反复交易，可以统计有交易天数，如果一个天之内一般只交易一笔，或者好多天一笔，可以统计笔数。

3、最近1段时间，到底看多久？和业务特点有关系。原则上，越高频的业务，看得时间越短，比如都是零售，如果是生鲜可以以周为单位统计（人每天要吃饭）如果是日杂可以以月为单位统计。

4、新用户因为时间太短（比如注册不足1周/不足1个月）则单独统计，RFM适用于有一定时间（比如3个月以上）的老用户。

5、R的分段原理同上，越高频的业务，R分段越短。如果是生鲜可能以天来看。越低频的业务，比如理财、贷款，可能以月甚至季度为单位来看。

RFM模型的分类

基于RFM三个指标，可以进一步做分类。站在业务的角度，R值的意义就是唤醒。R越远，越需要唤醒，且唤醒难度越大，所以R一般单独看。M+F则做进一步矩阵分类。

比如在零售/电商业务中，M值高的用户一般后续购买动力也高，因此要重点提升其F值，把他先留住。而F高、M低的用户则意味着机会，可以尝试做增量/交叉营销，以提升M。因此实操的时候，一般如下分类：

RFM模型的使用方式

在RFM做了分类的基础上，进一步考虑用户购买品类、折扣等因素，才可以推导出可落地的业务建议。

比如，即使用户RFM值完全一样：

• 都是购买了3000元，买1台空调VS买1件衣服的不一样
• 都是购买了3000元衣服，一次买5件上衣和一次买整套穿搭的不一样
• 都是购买了3000元，原价购买3000与打8折下实际花3000不一样

因此，一般对M或F值较高的用户群体，会进一步分群。分群时，考虑自己公司的产品特点，区分折扣率、区分对新品/搭配的偏好。从而推导可落地的影响策略。

至于MF值较低的用户，一般与我司还没有建立啥感情，直接用当季新品、大折扣商品、爆款产品、引流产品轮番轰炸，试着提升M、F以后再做分群（如下图）。

RFM的扩展应用

当你理解了RFM的原理之后，你会发现它非常好用，除了零售消费外，只要符合以下条件的，都可以用RFM模型：

1、用户行为频率很高

2、用户之间行为差异很大

3、需要考察一段时间内累计行为

4、重度用户有类型偏好差异比如互联网行业的，内容型产品（短视频、小说、社区论坛）、工具型产品（在线文档、OA等SAAS产品）和社交产品。

比如逛知乎，用户浏览行为非常多，且看一篇文章时间很短，转发点赞也都是一瞬间的事。此时可以仿效RFM模型，构造一个分析用户行为的模型。

比如统计：

• R（recency）最后一次登录距今多久
• F（frequency）最近1周内登录频率
• Q（quantity）最近1周内累计登录时长

此时，就可以区分出轻中重度用户，并且根据R值大小，制定召回计划。我们姑且管它叫RFQ模型好了（如下图）。

同RFM的弱点一样，RFQ并没有考虑用户的内容类型偏好，因此需要结合内容类型来看。特别是针对F、Q较高的用户，要关注其是否对某一个垂直内容/特殊功能有重度需求。对于FQ都很低的用户，处理原理同样是：用爆款内容去轰炸，先撩起兴趣再说。