RFM模型：给用户分层，而不是给用户打标签
一句话定义
RFM 模型用三个维度给用户打分：最近一次消费（Recency）、消费频率（Frequency）、消费金额（Monetary），从而把用户分成不同层级，决定你该把运营资源花在哪群人身上。
它是最朴素、也最实用的用户分层工具之一。不像很多高大上的 AI 模型，RFM 好懂、好算、好用。
为什么分层比标签更重要
很多运营人做用户运营时，喜欢给用户打一堆标签：性别、城市、兴趣、来源渠道……标签多了，反而不知道怎么用。
RFM 告诉你一个更直接的问题：谁最近买过、谁买得勤、谁花得多。这三个问题的答案，基本就能决定你该优先伺候谁、该激活谁、该放弃谁。
用户分层的目的不是把用户分类，而是让不同用户得到不同的运营策略。
三个维度怎么理解
R（Recency）：最近一次消费
用户最近一次消费距离现在有多近？
- 昨天买过的人，比三个月前买过的人，更容易再次下单。
- 很久没消费的人，可能已经在流失边缘。
F（Frequency）：消费频率
用户在一定周期内买了多少次？
- 高频用户是核心资产，值得重点维护。
- 低频用户可能是"尝鲜型"，需要激活策略。
M（Monetary）：消费金额
用户在这段时间内花了多少钱？
- 高金额用户贡献大，但不一定高频。
- 低金额高频用户可能很忠诚，只是客单价低。
一个常用的分层方式
把 R、F、M 分别按高中低打分，可以得到 8 类用户：
| 用户类型 | 特征 | 运营策略 |
|---|---|---|
| 重要价值客户 | 高 R、高 F、高 M | 重点维护，给 VIP 权益，提升忠诚度 |
| 重要保持客户 | 低 R、高 F、高 M | 曾经很活跃但近期没消费，重点召回 |
| 重要发展客户 | 高 R、低 F、高 M | 消费金额高但不频繁，鼓励复购 |
| 重要挽留客户 | 低 R、低 F、高 M | 有消费能力但即将流失，大力挽回 |
| 一般价值客户 | 高 R、高 F、低 M | 忠诚但消费力弱，推升单策略 |
| 一般保持客户 | 低 R、高 F、低 M | 曾经活跃但近期沉默，低成本召回 |
| 一般发展客户 | 高 R、低 F、低 M | 新客户或低频用户，培养消费习惯 |
| 流失客户 | 低 R、低 F、低 M | 短期不必投入，或尝试极低成本唤醒 |
实际业务中，你不需要严格分成 8 类。3–5 类就够用了，关键是每一类都有对应的动作。
实操：RFM 怎么算
假设你做的是电商，周期取过去一年：
- 定义阈值：比如 R 按"最近一次消费距今天数"，F 按"购买次数"，M 按"累计消费金额"。
- 分段打分：每个维度按行业经验或数据分位数，分成 1–3 分或 1–5 分。
- 计算总分：比如 R=3、F=2、M=3，记作 323。
- 匹配策略：看哪类用户占比最高、哪类贡献最多 GMV。
小提示：第一次做不用追求完美阈值。先用 1–3 分简单分，跑一轮看效果，再迭代。
实战场景
场景一：社群运营
你发现群里 80% 的消息来自 20% 的人。用 RFM 一看：
- 高频发言且贡献订单的人是"重要价值客户"，给专属福利。
- 很久没说话但消费高的人，是"重要保持客户"，私聊召回。
- 天天潜水没消费的人，是"流失客户"，不必强运营。
场景二：会员体系设计
黑钻会员、金卡会员、普通会员，本质就是 RFM 的简化版。你可以根据 RFM 自动升降级，让会员体系真正反映用户价值。
常见误区
- 误区一：只看 M，不看 R 和 F。花过大钱但半年没来的用户，价值可能不如每月都买的小额用户。
- 误区二：分层后没有差异化策略。分完层却给所有人发一样的券，等于没分层。
- 误区三：数据口径不统一。R 取 30 天还是 90 天，F 算订单数还是商品件数，必须在团队内统一。
结语
RFM 不是高科技，它是一套"不平均用力"的运营思维。
运营资源永远有限，你要做的不是讨好所有人，而是找到最值得投入的那群人，用对的策略把他们留下来、养得更值钱。
下次做用户运营方案时，先问自己：这群用户按 RFM 分，属于哪一类？我有没有给他们匹配不同的策略？