数据衡量
RFM（近期购买、购买频率、消费金额）
RFM是一种细分方法，它根据客户最近一次购买的时间、购买频率以及消费金额来给客户打分。
它历史悠久、简单，但仍然是零售业中最具预测性的细分方法之一，尤其因为近期购买是衡量客户是否会再次购买的强有力指标。
它的主要用途是分类筛选：这些细分客户群定义了哪些客户值得挽回、哪些值得提供忠诚度优惠，以及哪些应该放任不管。给高频近期购买者打折，等于是把利润白白送给了那些无论如何都会购买的客户。
这三个维度实际衡量的是什么
近期购买是指客户上次下单以来的天数。对于大多数零售目录来说，它是三者中最强的，原因很简单：购买行为是习惯性的，而习惯会衰退，所以某人下个月会从你这里购买的最好证据就是他们上个月购买了。一个三周前下单的客户与一个十四个月前下单的客户处于不同的状态，无论他们历史上消费了多少。
购买频率是指在定义的观察期内的订单数量，而这个观察期是一个决策，而非细节。“历史总订单数”会奖励资历，并永久性地高估多年前活跃的客户；而滚动12或24个月则能描述客户现在的状态。选择一个，明确说明，并且不要悄悄改变，因为不同观察期下的购买频率分数是不可比较的。
消费金额是指在同一观察期内的总消费金额——有时也会用平均订单价值代替，但这回答了不同的问题。总消费金额与购买频率相关，因此这两个分数部分重叠；当你想区分“常买便宜货”和“不常买贵货”时，平均订单价值更独立、更有用。两者都有相同的盲点，即它们衡量的是收入而非利润。
按五分位数评分，详细说明
标准方法是根据每个维度对客户群进行排名，并将其分成五个相等的小组。以一个包含10,000名客户的示例客户群为例，这些客户在过去24个月内至少有一笔订单。按上次下单以来的天数排序，取最近的2,000名客户，给他们打R = 5分；接下来的2,000名客户得到R = 4分，依此类推，直到沉寂时间最长的2,000名客户得到R = 1分。对购买频率和消费金额独立重复此操作。每个客户最终会得到三个数字，从555到111。
使用五分位数而非固定阈值，因为它们是自校准的。一个订单之间中位数间隔为三周的目录和一个间隔为九个月的目录，都能产生一个合理的R = 5组，并且都不需要随着业务变化而过时的硬编码规则。
下表显示了这些截止点在示例客户群中可能是什么样子。重要的特征不是数字本身，而是购买频率列中发生的情况。
| 分数 | 近期购买（上次下单以来的天数） | 购买频率（24个月内的订单数） | 消费金额（总消费金额） |
|---|---|---|---|
| 5（最高五分位数） | 0–34天 | 4次或更多 | $420或更多 |
| 4 | 35–79天 | 3次 | $240–$419 |
| 3 | 80–158天 | 2次 | $150–$239 |
| 2 | 159–287天 | 1次 | $90–$149 |
| 1（最低五分位数） | 288天或更多 | 1次 | 低于$90 |
并列问题及其处理方法
购买频率为1的客户在该表中出现了两次，位于最低的两个五分位数中，而在真实的电商客户群中，它通常会跨越其中的三到四个。大多数品牌的大多数客户只下过一次订单。没有办法将一个70%值相同的列分成五个相等的小组，任何尝试这样做的工具都会产生任意的划分，导致两个行为完全相同的客户最终落入不同的细分客户群。
可行的方法是：在有并列值时进行排名并接受不相等的桶大小，这会以网格不平衡为代价，但能保持分数的真实性；或者根据明确的阈值而非五分位数来给购买频率打分——例如1次、2次、3次、4-6次、7次或更多——这种方法可读且稳定；或者对于重复购买确实很少见的目录，将购买频率降级为二元“已重复购买”标志。唯一不该做的事情是让百分位数函数悄悄地拆分并列值，然后将结果呈现得好像这些细分客户群有所不同。
同样的注意事项也适用于消费金额维度，但原因不同：它衡量的是收入，而非贡献。一个整个购买历史都是在40%折扣下完成的客户，与为相同总额支付全价的客户得分相同，但只有其中一个值得争取更多。如果你能计算每个客户的贡献毛利，就用它代替消费金额——它改变了哪些客户出现在顶级细分客户群中的情况，其频率超出人们预期。
分数产生的细分客户群及其各自暗示的行动
这些分数只有在归纳为少数几个带有行动指示的命名群组后才有用。六个群组涵盖了大多数目录。下面的模式是常见的定义；请根据你自己的分布调整边界，而不是照搬别人的网格。
| 细分客户群 | 典型模式 | 含义 | 暗示的行动 |
|---|---|---|---|
| 忠实拥护者 | R 5, F 5, M 5 | 最近购买过，购买频繁，消费金额高 | 优先体验、推荐计划、新品发布——不打折，他们反正都会购买 |
| 忠诚客户 | R 4–5, F 4–5, M 3–4 | 经常购买中等价值订单的客户 | 交叉销售和捆绑销售以提高订单价值；订阅优惠在此处转化效果最佳 |
| 近期一次性购买者 | R 5, F 1 | 刚首次购买 | 根据产品的消费周期定时进行第二次购买序列——这是大多数目录中杠杆率最高的细分客户群 |
| 大额消费者，单次订单 | R 2–3, F 1, M 5 | 一次大额购买，从未复购 | 个人外联而非群发——订单金额值得人工跟进 |
| 有流失风险 | R 1–2, F 4–5, M 4–5 | 曾经是好客户，但已沉寂 | 提供一个回归的理由来挽回；这是值得付出折扣的地方 |
| 休眠客户 | R 1, F 1, M 1–2 | 很久以前下过一笔便宜的订单 | 从付费再营销中排除并限制邮件发送频率——他们的邮件成本高于他们带来的回报 |
RFM失效的场景
订阅服务从结构上破坏了RFM。根据定义，每个活跃订阅者都有一个近期订单，因为计费系统会创建一个，所以近期购买衡量的是计费周期而非客户意图，每个活跃订阅者都会得到R = 5分，无论他们是满意还是忘记了自己已订阅。购买频率也因同样的原因退化为资历。对于订阅客户群，请将近期购买替换为自上次自愿行动以来的天数——例如登录、跳过、更换、邮件打开、添加商品——并将购买频率替换为带有信息量的内容，例如跳过次数或支付失败历史。
低频高价商品目录的情况有所不同。对于床垫、家具或电器，几乎每个顾客的购买频率都是 1，而低近因分数是预期状态，而非警示：一个在十八个月前购买沙发的人，其行为模式正是沙发顾客应有的。将他们标记为“有流失风险”并向他们发送挽回优惠是一种分类错误。在这种情况下，有用的衡量维度是商品类别、订单价值和推荐行为，而不是 RFM。
RFM 的普遍局限性在于它是描述性的且是回顾性的。它告诉你顾客做了什么，这很好地预示了他们接下来会做什么，但没有解释原因。它无法识别某个顾客群流失是因为产品配方改变了，或者是因为配送时间延迟了，因此，它会忠实地将这些顾客归入挽回细分市场，并向他们提供折扣，以解决一个折扣无法解决的问题。
这些都不是反对使用 RFM 的理由。RFM 只需一次 SQL 查询，不需要模型，也不需要供应商，并且它比向所有人发送相同信息有了很大的改进。只是不要让它成为唯一的衡量标准，并按计划定期重新运行——一次计算并冻结的分数会变得越来越不准确，因为无论顾客是否采取行动，他们的近因分数每天都在变化。
常见问题
- 什么是 RFM？
- RFM 是一种顾客细分方法，它根据顾客的三种行为进行评分：他们最近一次购买的时间、他们在特定时间段内的购买频率以及他们花费了多少钱。这三个分数结合起来形成不同的细分市场，对应不同的营销行动，并且计算它只需要订单历史数据。
- RFM 代表什么？
- 近因 (Recency)、频率 (Frequency) 和货币价值 (Monetary Value)。近因是指自上次订单以来的天数，频率是指在回溯期（例如 24 个月）内的订单数量，货币价值是指在同一时间段内的总花费。在零售业中，近因通常是这三个维度中最具预测性的，因为购买行为是习惯性的，而习惯会衰退。
- RFM 分数是如何计算的？
- 分别根据每个维度对顾客群进行排名，并将其分成五个相等的小组，最佳的五分之一（最高分位）得 5 分，最差的得 1 分。在所有三个维度上都得 5 分的顾客记为 555。五分位点会根据你的商品目录自动校准，但频率通常在一次订单时出现大量重复，因此，对于该维度，请改用明确的阈值。
- 什么是好的 RFM 分数？
- 分数是相对于你自己的顾客群而言的，因此 555 始终意味着在所有三个维度上都处于最高五分位，而不是一个固定的消费水平。在运营中重要的不是最高分，而是分数模式，因为一个刚刚完成首次购买的 511 顾客，与一个曾经是你的最佳顾客的 155 顾客，需要完全不同的行动策略。
- RFM 适用于订阅业务吗？
- 不做修改的话不行。计费系统会为每个活跃订阅者创建一份近期订单，因此近因衡量的是计费周期而非购买意图，所有人都得分最高五分位。将近因替换为自愿行为（如登录、跳过、更换或邮件互动）以来的天数，并将频率替换为订阅时长、跳过次数或支付失败历史。
- 你应该给哪个 RFM 细分市场提供折扣？
- 有流失风险的细分市场：那些频率和货币价值分数高但近因分数下降的顾客。他们已经展现了价值但正在流失，因此激励措施可以改变结果。给近期高频购买者打折会把利润让给那些无论如何都会下单的人，而给只下过一次廉价订单的“休眠者”打折，则是在挽回那些从未盈利的顾客。