一、前言

在任何一个互联网或电商产品中，不是所有用户的价值都相同。
有的用户频繁下单、贡献高额收入；
有的用户注册后从未购买；
还有一部分用户曾经活跃，如今却已经流失。

如何量化并识别不同类型的用户？
答案就是 —— RFM模型分析。

---

二、什么是 RFM 模型

RFM 是三项指标的缩写：

指标	含义	解释
R（Recency）	最近一次消费	用户最近一次交易距今的时间
F（Frequency）	消费频率	用户在一定时间内的购买次数
M（Monetary）	消费金额	用户累计消费的总金额

通过这三个指标，我们可以快速划分用户价值层级，如：

• 🏆 高价值用户：最近购买频繁、金额高

• 💰 潜力用户：金额高但活跃下降

• ⚠️ 流失风险用户：长时间未购买

---

三、数据准备

假设我们有一份交易数据集 orders.csv，包含字段：

user_id	order_date	order_amount

示例加载与查看：

import pandas as pd df = pd.read_csv('orders.csv') df['order_date'] = pd.to_datetime(df['order_date']) print(df.head())

---

四、计算 R、F、M 三个指标

# 假设分析时间为数据中最新日期 snapshot_date = df['order_date'].max() + pd.Timedelta(days=1) rfm = df.groupby('user_id').agg({ 'order_date': lambda x: (snapshot_date - x.max()).days, # R值 'user_id': 'count', # F值 'order_amount': 'sum' # M值 }).rename(columns={'order_date': 'Recency', 'user_id': 'Frequency', 'order_amount': 'Monetary'}) print(rfm.head())

---

五、打分（Score）与分层

为了方便比较，我们将每个维度按分位数打分（1~5分，越高越好）：

rfm['R_Score'] = pd.qcut(rfm['Recency'], 5, labels=[5,4,3,2,1]).astype(int) rfm['F_Score'] = pd.qcut(rfm['Frequency'], 5, labels=[1,2,3,4,5]).astype(int) rfm['M_Score'] = pd.qcut(rfm['Monetary'], 5, labels=[1,2,3,4,5]).astype(int) rfm['RFM_Score'] = rfm['R_Score'] + rfm['F_Score'] + rfm['M_Score'] print(rfm.head())

---

六、用户分层策略

基于 RFM 总分，我们可以简单划分为：

分类	规则	特征说明
高价值用户	RFM ≥ 13	最近活跃、频繁购买、高金额
成长期用户	10 ≤ RFM < 13	活跃度较高，潜力大
保留用户	7 ≤ RFM < 10	一般活跃，需刺激
流失用户	RFM < 7	长期未购买

def label_user(score): if score >= 13: return '高价值用户' elif score >= 10: return '成长期用户' elif score >= 7: return '保留用户' else: return '流失用户' rfm['Segment'] = rfm['RFM_Score'].apply(label_user) rfm['Segment'].value_counts()

---

七、可视化分析

import matplotlib.pyplot as plt import seaborn as sns plt.figure(figsize=(8,5)) sns.countplot(x='Segment', data=rfm, order=['高价值用户','成长期用户','保留用户','流失用户']) plt.title('用户价值分层结果') plt.xlabel('用户类型') plt.ylabel('人数') plt.show()

📊 图解说明：

• 高价值用户人数虽少，但贡献大部分收入；

• 成长期用户可通过活动刺激转化为核心群体；

• 流失用户需要再营销策略挽回。

---

八、商业启示

基于 RFM 模型结果，企业可制定精准运营策略：

1. 🎁 高价值用户：提供会员特权或积分回馈，维持忠诚度；

2. 📈 成长期用户：推出优惠券或推荐活动，促使重复购买；

3. 🔔 保留用户：通过短信推送、邮件唤醒提升活跃度；

4. 💬 流失用户：针对性召回营销或退订优化。

数据驱动的用户分层，让“千人千面”的营销真正落地。