---
title: "RFM Analysis"
type: concept
tags: []
sources: [support-analytics-reporter]
last_updated: 2026-04-21
---

## Aliases
- RFM Segmentation
- Recency, Frequency, Monetary Analysis
- 客户价值分层分析

## Definition
RFM Analysis 是一种三维客户价值分层方法，通过最近购买时间（Recency）、购买频率（Frequency）、消费金额（Monetary）三个维度对客户进行分群，从而识别高价值客户、流失风险客户和潜力客户，为精准营销和客户运营提供数据支撑。

## Core Metrics

| 维度 | 定义 | 计算方式 |
|------|------|----------|
| Recency | 最近一次购买距今天数 | `当前日期 - 最近购买日期`（越小越好） |
| Frequency | 购买总次数 | `COUNT(order_id)`（越大越好） |
| Monetary | 累计消费金额 | `SUM(revenue)`（越大越好） |

## Scoring Method

每个维度按分位数（通常5分位）打分：
- R_Score：最近购买时间越近，分数越高（1-5分，5=最近）
- F_Score：购买频率越高，分数越高（1-5分，5=最频繁）
- M_Score：消费金额越高，分数越高（1-5分，5=最高金额）

组合 R+F+M 得 RFM Score（如 `555`、`311`）。

## Customer Segments

| RFM Score | 客户类型 | 策略建议 |
|-----------|---------|---------|
| 555/554/544/545/454/455/445 | Champions（冠军客户） | 奖励忠诚度，邀请推荐，升级销售高端产品 |
| 543/444/435/355/354/345/344/335 | Loyal Customers（忠诚客户） | 培养关系，推荐新品，忠诚度计划 |
| 553/551/552/541/542/533/532/531/452/451 | Potential Loyalists（潜力忠诚者） | 入会欢迎，早期参与，产品教育 |
| 512/511/422/421/412/411/311 | New Customers（新客户） | 入职优化，早期参与 |
| 155/154/144/214/215/115/114 | At Risk（流失风险客户） | 重新参与活动，特殊优惠，赢回策略 |
| 其他 | Others（一般客户） | 常规触达，持续观察 |

## Implementation

```python
import pandas as pd
import numpy as np

def rfm_analysis(df, current_date=None):
    """RFM Analysis implementation"""
    if current_date is None:
        current_date = df['date'].max()
    
    rfm = df.groupby('customer_id').agg({
        'date': lambda x: (current_date - x.max()).days,  # Recency
        'order_id': 'count',                                # Frequency
        'revenue': 'sum'                                    # Monetary
    }).rename(columns={
        'date': 'recency',
        'order_id': 'frequency', 
        'revenue': 'monetary'
    })
    
    # Create quintile scores (1-5)
    rfm['r_score'] = pd.qcut(rfm['recency'], 5, labels=[5,4,3,2,1], duplicates='drop')
    rfm['f_score'] = pd.qcut(rfm['frequency'].rank(method='first'), 5, labels=[1,2,3,4,5], duplicates='drop')
    rfm['m_score'] = pd.qcut(rfm['monetary'], 5, labels=[1,2,3,4,5], duplicates='drop')
    
    rfm['rfm_score'] = rfm['r_score'].astype(str) + rfm['f_score'].astype(str) + rfm['m_score'].astype(str)
    
    return rfm
```

## Connections
- [[support-analytics-reporter]] — 使用 RFM 进行客户价值分层分析
- [[Customer-Segmentation]] — RFM 是客户细分的核心方法之一
- [[Business-Intelligence]] — 属 BI 领域的客户分析子方向