RFM 客户分群

解决什么问题

大多数电商团队把全体客户当成一整个人群来运营：一次群发邮件、一张全场券、一条通用召回文案。RFM Segmenter 要解决的是「给谁发、发什么、多久发一次」这三个决策缺少依据的问题。

• 无差别发券：给本就会买的 Champions 发 20% 券，直接吃掉毛利。
• 流失盲区：没有 Recency 打分，客户流失了你才知道。
• 留存预算错配：预算花在早已流失的 Hibernating 群体上，ROI 接近零。
• 过度打扰：一周给 Champions 推五条邮件，忠诚客户会变成愤怒客户。
• 唤醒盲猜：win-back 活动需要个性化钩子，而不是通用文案。
• LTV 与忠诚度设计：分群规模是设定增长目标、判断何种行为真正预示长期价值的输入。

技能如何工作

输入是客户级订单导出，至少包含 Customer ID、Order Date、Order Value（扣减退款后的净额）。流程分七步：

1. 清洗数据：设定分析窗口（推荐滚动 24 个月，时尚/季节类 12 个月），剔除测试单、内部单和批发账户。
2. 计算 R/F/M 原始值：最近一次下单距今天数、窗口内下单次数、窗口内净收入总额。
3. 分位打分（1–5）：每个维度按五分位赋分，5 最好。客户少于 500 时改用四分位，避免桶太小。
4. 映射分群：按 R/F/M 分数区间分配到 Champions、Loyal Customers、At Risk、Can't Lose Them 等 11 个具名分群。
5. 校验分群规模：Champions 超过 30% 说明窗口太窄；Lost 超过 60% 说明拉新跑在留存前面。
6. 生成 campaign 矩阵：每个分群对应具体的文案、优惠、渠道和节奏。
7. 设定复盘节奏：每 30–90 天重跑一次，追踪分群迁移（Needs Attention → At Risk 是警报，Promising → Loyal 是成功信号）。

适用边界

• 必须用滚动窗口，全历史数据会把 2019 年买过 50 次、2022 年后没动静的客户算成 Champion。
• Recency 要按购买周期调整：日用补剂 45 天未复购已是警报，通用零售商 90 天阈值才合理。
• Monetary 用净收入：高退货客户的毛收入可能很高、净收入为负。
• 小样本别硬分 11 个群：200 个客户时合并为 5–6 个分群，三个人的分群没法执行动作。
• 批发和 B2B 账户必须排除，单个大账户会主导 F 和 M 分位，带偏整个模型。
• RFM 只描述行为，不解释原因：它告诉你客户做了什么，不告诉你为什么。需要叠加品类数据或问卷反馈才能形成完整画像。