RFM客户价值分群计算器

本地处理

打赏支持
分享链接
反馈建议

RFM 用三个最容易拿到的字段把客户分层：R 最近一次购买距今多久、F 一段时间内买了几次、M 一共花了多少钱。三个维度各按基准打 1–5 分，以「是否 ≥4 分」划高/低，交叉出八个分群——比拍脑袋分「新客老客」精确得多。

该群客户数

全站客户数（选填，用于算占比）

最近购买距今 R（天）

购买频次 F（次）

消费金额 M（元）

R 基准天数 r₀

F 基准次数 f₀

M 基准金额 m₀（元）

R 得分

F 得分

M 得分

综合分(满分15)

分群	R / F / M	人群特征	运营策略

归一化：R 比值 = R ÷ r₀（越小越好）、F 比值 = F ÷ f₀、M 比值 = M ÷ m₀（越大越好）。每维按五档打分：R 比值 ≤0.2 / ≤0.4 / ≤0.6 / ≤0.8 / 其他对应 5 / 4 / 3 / 2 / 1 分；F 与 M 比值 ≥1.0 / ≥0.8 / ≥0.6 / ≥0.4 / 其他对应 5 / 4 / 3 / 2 / 1 分。以「≥4 分为高」交叉出八个分群，综合分 = R + F + M。

为什么用这三个字段

RFM 的生命力在于数据可得性。它不需要问卷、不需要埋点、不需要预测模型——只要一个订单表就能算出来，而且三个维度各自承担明确的角色：

R（Recency，最近购买）：预测未来复购意愿最有效的单一指标。R 越小，客户越「热」。
F（Frequency，购买频次）：代表习惯与粘性。买过三次的人比买过一次的人，下一次再买的概率高得多。
M（Monetary，消费金额）：代表贡献度与支付能力，决定你能在他身上投入多少服务成本。

基准值怎么定

本工具里的 r₀ / f₀ / m₀ 是「基准线」，通常直接用全站均值或中位数。用中位数更稳，因为金额分布往往被少数大客户拉偏；如果你的业务有强烈的季节性或长周期（如家具、家电），R 基准要按业务周期放大，否则所有人都会被判成「沉睡」。

八个分群与对应策略

分群	特征	策略
重要价值客户	近期买、频率高、金额大	VIP 专属服务、新品优先、不要用折扣打扰
重要保持客户	金额大、频率高，但很久没来	最高优先级召回，一对一触达而不是群发
重要发展客户	近期买、金额大，但只买过一次	做交叉销售与关联推荐，把单次变成习惯
重要挽留客户	曾经金额大，现在既不来也不频	弄清流失原因，必要时用高价值权益挽留
一般价值客户	近期活跃、频率高，但客单低	做提客单价：满减、套装、升级款
一般保持客户	高频但客单低，且已在流失	低成本唤醒，如积分到期提醒
一般发展客户	刚来不久、单次小额	新客培育，用首购后第二单券拉频次
一般挽留客户	三项皆低	低预算维护或直接放弃，控制触达成本

实践中的三个要点

分群不是终点，动作才是。算出八个群却给所有人发同一封邮件，等于没分。
周期要跟着业务走。快消看 30/60/90 天，家电可能要看 18 个月。R 的时间窗定错，整个模型都会失真。
看占比结构而非单点。健康的结构通常是「重要价值 + 重要保持」占比稳定增长，而「重要挽留」在缩小——后者持续放大就是流失预警。

另外提醒一个常见做法：把 RFM 与品类偏好结合，得到的策略会具体得多——同样是「重要发展客户」，买过 A 品类和买过 B 品类的推荐内容应该完全不同。RFM 负责「该不该投入」，品类负责「投入什么」。

你可能还想问

三个维度分别代表什么？

最近一次消费、消费频率与消费金额；三者结合能区分高价值、流失预警与沉睡客户，比单一维度更能指导运营动作。

分群阈值怎么定？

常用按分位数切分，也可按业务经验定绝对值；分位数适合数据分布均衡时，经验值适合有明显业务标准的行业。

分完群怎么用？

高价值客户重点维护与复购、近期不活跃的高频客户做唤回、低价值低频客户控制触达成本；不同群用不同策略才有效。