如何管理客户是门学问，低消费群体对价格敏感，老客户对新品感到兴奋，有些客户只图基本需求。大包大揽的营销，无感的依旧无感，活跃的仍旧那么几个，这时候你需要的是精细化运营。精准化运营的前提是客户关系管理，而客户关系管理的核心是客户分类。RFM模型是客户价值管理里的“明星模型”。

RFM模型为什么能成为客户价值管理里的“明星模型”?

它很客观 - 利用客观的数字尺度，对客户进行简明而翔实的高水平描述。

它很简单 - 只需要客户的消费时间和消费金额两个字段，业务人员就可以在不需要信息部门或复杂软件的情况下就能有效使用它。

它很直观 - 这种分割方法的输出很容易理解和解释。
 

快鲸称，在众多的客户细分模型中，传统企业和电商谈的较多的是RFM模型。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。一般的分析型CRM着重在对于客户贡献度的分析，RFM则强调以客户的行为来区分客户。

这么经典的模型，搭建RFM需要什么?

3个数据库的原始字段记录：客户名称(或者客户ID/客户电话/客户邮箱)、消费时间、消费金额。

在应用RFM模型时，要有用户最基础的交易数据，至少包含用户ID，交易金额，交易时间三个字段。

RFM的含义：

§ R(Recency)最近一次消费时间：表示用户最近一次消费距离现在的时间。消费时间越近的客户价值越大。1年前消费过的用户肯定没有1周前消费过的用户价值大。

目前网购便利，顾客已经有了更多的购买选择和更低的购买成本，去除地域的限制因素，客户非常容易流失，因此CRM操盘手想要提高回购率和留存率，需要时刻警惕R值。

§ F(Frequency)消费频率：消费频率是指用户在统计周期内购买商品的次数，经常购买的用户也就是熟客，价值肯定比偶尔来一次的客户价值大。

但是如果实操中实际店铺由于受品类宽度的原因，比如卖3C产品，耐用品等即使是忠实粉丝用户也很难在1年内购买多次。所以，一般店铺在运营RFM模型时，会把F值的时间范围去掉，替换成累计购买次数。

§ M(Monetary)消费金额：消费金额是指用户在统计周期内消费的总金额，体现了消费者为企业创利的多少，自然是消费越多的用户价值越大。

M值是RFM模型中相对于R值和F值最难使用，但最具有价值的指标。对于一般店铺而言，M值对客户细分的作用相对较弱。用店铺的累计购买金额和平均客单价替代传统的M值能更好的体现客户消费金额的差异。

基于这三个维度，将每个维度分为高低两种情况，我们构建出了一个三维的坐标系。

通过图表很直观的发现，我们把客户分为了2的三次方也就是8个群体。

如何搭建企业自己的RFM模型?

第一步，计算每个客户的RFM指标。你可以通过CRM或者BI工具计算出来每个客户的R，上次购买时间。F，购买次数。M，购买金额。

第二步，定义到R，F，M的度量范围。

第三步，在RFM表格中添加我们细分的段号。如A客户上次购买时间为53天前，购买频次为3次，总金额为$230，所以A客户的RFM为2，2，2。同理我们得出B客户的RFM为3，3，2。C客户的RFM为1，1，1。

接下来我可以根据不同的客户价值属性来进行针对性的营销。

RFM还可以用来对客户进行会员等级的划分，根据客户的购买频次和购买金额来设定客户的金、银、铜的级别。

每当客户交易一次的时候我们都会重新计算会员等级是否有变化，结合客户的R(最近购买时间)后，可将会员按照活跃、风险和流失的客户几个维度来查看不同级别会员的情况。如发现高级别会员的流失比率比较大的时候，我们就要分析具体情况，采取措施来召回和挽留这些重要客户。

关于搭建RFM模型的用户分类

各个记录有了对应的R、F、M的值后，接下来需要对各记录的R、F、M值具体判断处在所有记录中的水平高低。

1.计算参考值：

要判断水平高低肯定要有一个判断标准，可以是R、F、M的平均值/中位数/以标准差校正后的值。这里以平均值为例，同样地，在FineBI也只要拖拉就可以计算出平均值。

2. 和参考值比较：

和计算出的参考值进行比较，判断每个客户的得分是高于平均分还是不高于(低于等于)平均分，对应赋值为1和0表示。

3.根据和参考值比较结果进行用户分类：

最终根据上述比较就会得到8个分类的结果(R2种结果*F2种结果*M2种结果=8)，即按照下列分类规则对用户进行分类。

R值最近一次消费时间表示用户最近一次消费距离现在的时间，消费时间越近的客户价值越大。以上方式计算出的R值越大说明当前用户最近一次消费时间越远用户价值越小，而F值还有M值越大代表用户价值越大，三组数据不在同一个描述维度，而且R值、F值、M值存在量级之间的差距，无法直观的通过加减来衡量用户价值。

这里有两种处理办法分别是评分方式和算法。

评分方式是根据三组数据各个值的特性，采用5分制为各个数据赋予一个评分值，R值的评分机制是R值越大，评分越小。具体评分的规则可以根据经验设定分值的给予区间，或者将数据平均分配成为5组，对应5个分值。

算法方式是根据数据特性将数据基于模型处理后量化用户价值，分划分高低维度、量化用户价值两步。

计算RFM总值的公式如下：RFM总值 = R值*(-1) F值 M值 100

RFM模型能够应用在以下行业领域和细分场景：

互联网、零售、电商、通信、 银行、旅游、餐饮、 交通运输、保险、证券、 基金、医药、采购/供应商评估......

基于RFM模型的实践应用

主要有两种方法来分析RFM模型的结果：用基于RFM模型的划分标准来进行客户细分，用基于RFM模型的客户评分来进行客户细分。

1、基于RFM模型进行客户细分

CRM实操时可以选择RFM模型中的1-3个指标进行客户细分，如下表所示。切记细分指标需要在自己可操控的合理范围内，并非越多越好，一旦用户细分群组过多，一来会给自己的营销方案执行带来较大的难度，而来可能会遗漏用户群或者对同个用户造成多次打扰。

最终选择多少个指标有两个参考标准：店铺的客户基数，店铺的商品和客户结构。

店铺的客户基数：在店铺客户一定的情况下选择的维度越多，细分出来每一组的用户越少。对于店铺基数不大(5万以下客户数)的店铺而言，选择1-2个维度进行细分即可。对于客户超过50万的大卖家而言可以选择2-3个指标。

店铺的商品和客户结构：如果在店铺的商品层次比较单一，客单价差异幅度不大的情况下，购买频次(F值)和消费金额(M值)高度相关的情况下，可以只选择比较容易操作的购买频次(F值)代替消费金额(M值)。对于刚刚开店还没形成客户粘性的店铺，则可以放弃购买频次(F值)，直接用最后一次消费(R值)或者消费金额(M值)。

2.通过RFM模型评分后输出目标用户

除了直接用RFM模型对用户进行分组之外，还有一种常见的方法是利用RFM模型的三个属性对客户进行打分，通过打分确定每个用户的质量，最终筛选出自己的目标用户。

RFM模型评分主要有三个部分：

1、确定RFM三个指标的分段和每个分段的分值;

2、计算每个客户RFM三个指标的得分;

3、计算每个客户的总得分，并且根据总得分筛选出优质的客户

比如，实操的过程中一般每个指标分为3-5段，其中R值可以根据开店以来的时间和产品的回购周期来判定，F值根据现有店铺的平均购买频次，M值可参考上文客单价的分段指标。

举个例子：

确认RFM的分段和对应分段的分值之后，就可以按照用户情况对应进行打分。

在CRM系统中仅有RFM模型还远远不够，还要有延伸的标签体系来互相补充。例如基本信息标签、消费内容标签、浏览行为标签、营销属性标签。

如何在CRM系统中搭建RFM客户价值分析模型?这是一个人人都可以上手的模型，不管你是运营、销售、财务、市场等等，RFM模型是一个很通用，又有一套科学理论的商业模型。总之，RFM最终的目的就是帮助业务提高运营效率和产出价值。

快鲸大数据智能会员管理系统，能够进行智能移动化会员管理及会员大数据分析。定义会员属性，灵活的会员标签管理和画像分析;自动记录会员行为，为精准二次营销提供依据;移动化APP管理会员，高效便捷。发券、收银、储值、节日、RFM等多种二次营销应用，提升复购率。