营销中有条黄金法则：“开发十个新客户，不如维护一个老客户”。在众多客户细分模型中，RFM模型是被广泛提到和使用的，是衡量客户价值和客户创利能力的重要工具和手段。现在，官方平台ECRM就为卖家提供了这样一个功能，实现对客户的细分，划分出具有不同消费特征的客户群体，然后可以对这些人进行差异的营销动作。登陆官方CRM平台，（ecrm.taobao.com），在客户分析这一栏（地址：//ecrm.taobao.com/rfm/rfm_view.htm?spm=a1z5o.7674277.0.0.6lGIdG ），系统已经根据您店铺所属行业的整体客户数据，智能识别出的最合适的R、F、M的区间划分方式。同时我们也支持卖家自己自定义适合自己的RFM数值。点击“自定义”即可。(红色越深代表此范围内的人群越多)

 同时我们还可以看到选中的这部分人群数量，交易总额和单次平均交易额（以次数为维度）和客单价（以人为维度），以及移动和PC来源的占比，方便根据不同购买力和来源的客户去做不同的一些动作。一个简单的累计消费金额M值划分办法：按照1/5的店铺客单价做累计金额的分段，如平均客单价是750元左右，那么可以按照150元进行累计消费金额分段，得出1-150元，150-300元的累计消费金额分段。

默认数据是全部客户， 点选下方的【活跃客户】【沉睡客户】【流失客户】可以看到不同范围的人群数据。

 R (Recency 最近)表示最近一次消费时间。在数据上，我们发现客户在购买后0-6个月内响应营销活动的比例明显大于购买6个月以后的，所以说最近购买产品或者服务的顾客，最有可能成为再次光顾的消费者，对推出的新品也最有可能做出反应。比如今天是2015年10月28日，而某个客户最后一次在店铺消费的时间是2015年10月8日，那么该客户的R值为20天。意味着客户上一次购买是20天前，也就是客户已经20天没有在店铺产生购买行为。卖家必须时刻警惕客户的流失，密切关注客户的购买行为，最近一次消费就是一个重要指标。

F(Frequency 频率)表示是一定时间内的累计购买次数。最常购买的顾客，也是满意度较高忠诚度较高的顾客。怎样增加客户在店铺里的购买次数，意味着减少客户在别的店铺的购买次数。那么根据行业的不同，卖家可以自己定义什么样的最近，频次，金额是符合自己的。因为比如家装商品累计购买肯定和快消商品不一样。

M(Monetary消费金额)表示在一定时间内的购买金额。根据“帕雷托”法则——通常 80% 的利润来自 20% 的重要客户，消费金额越多的客户是越需要维系关系的客户。M值对于客户细分的意义在于区分客户对店的价值贡献和消费能力，在ECRM平台上，可以自由选择客户在店铺的累计购买金额和平均购买金额。

点击左下显示占比即可看到每一范围的人在总人群中的占比，列合计代表不同的最近交易时间内的客户数有多少（交易次数和金额不限）如最近90天交易的客户占全店的33.33%；行合计根据点选来，如此图就显示的是不同交易次数（不限金额和最近交易时间）的客户在全店客户的占比，交易次数小于1的占全店23.81%。

 模型支持圈人动作（蓝线圈出的部分），如图，卖家可以对活跃用户（即0<r≤90，购买频率不限）做一些关怀营销动作如优惠券的发放和红包刺激。如果不想选定这部分人，点击“取消”即可回到选择页面。同时我们还可以看到选中的这部分人群数量和占比，交易总额和单次平均交易额和客单价，以及移动和pc来源的占比，方便根据不同购买力和来源的客户去做不同的一些动作。比如如果发现活跃用户大部分都是移动端，那么店铺定向装修千人千面以及整个商品的排版，活动设置等都可以相应的进行调整，以便更利于这部分客户的转化。</r≤90，购买频率不限）做一些关怀营销动作如优惠券的发放和红包刺激。如果不想选定这部分人，点击“取消”即可回到选择页面。同时我们还可以看到选中的这部分人群数量和占比，交易总额和单次平均交易额和客单价，以及移动和pc来源的占比，方便根据不同购买力和来源的客户去做不同的一些动作。比如如果发现活跃用户大部分都是移动端，那么店铺定向装修千人千面以及整个商品的排版，活动设置等都可以相应的进行调整，以便更利于这部分客户的转化。

 点击即可转入优惠券营销页面，填写名称，选中模板与投放范围人数即可。注*最后的投放人数下拉条是优惠券模板填写的发行量，最大发送量16000张，圈人范围三者的最小值。

 同理沉睡用户（90360）也可以定向做一些刺激和唤醒。

我们也建议运用该工具提升客户满意度，培养客户关注店铺的习惯，对活跃用户可以发放优惠券，对于沉睡流失客户，可以以红包结合店铺活动激活唤醒客户。其余优惠券教程，红包教程。

卖家可以通过自定义RFM的区间值来圈出自己的活跃、沉睡、流失客户。

通过R值和F值的组合客户细分既有明确的生命周期特征，也有明确的忠诚度特征，比如F=1,不同R值的客户为活跃新客户、沉睡新客户、流失新客户；F=2不同R值的客户为活跃回头客户、沉睡回头客户、流失回头客户；F=3不同R值的客户为活跃忠诚客户、沉睡忠诚客户、流失忠诚客户；

以上是针对购买频次Frequency和最近recency的交叉，您还可以点选累计交易金额和平均交易金额分别与最近recency的交叉，这个可能比较适合购买频次不多但是以成交金额为区分如家电，家装类目。

 RFM模型不仅有效的减少新客户开发中投入的宣传成本，有助于培养出情感专一的忠诚客户；还可以为其他营销获得提供更精准的数据。而且卖家可以通过查看活跃、沉睡、流失不同用户的占比和做了不同活动之后的趋势变化，对自己店铺的客户情况有大概了解，并且针对性的评估自己的店铺经营状况。

如记录下目前店铺不同R值的人数分布（看列合计值）过了一段时间后再记录下并进行对比，从而得知回购客户数，从回购响应率中可以知道店铺在这段时间内的活动效果如何。适合大促或者活动后评估。

还可以用RFM模型的M和R的交叉分析来设置自己店铺的会员等级比例等。

========应用举例：=================

比如如果显示上一次购买很近的客户，(最近一次消费为1个月)人数如增加，则表示该公司是个稳健成长的公司；反之，如上一次消费为一个月的客户越来越少，那么客户就在流失了。如果客户一直没有重复购买，R值逐渐变大，R值的变化最终影响的是客户生命周期，所以好的客户关系管理是不断让R值变为0（客户回购，最后一次消费时间就变成今天），并且不断缩短客户R值变为0的时间间隔。

 某女装网店最近一次消费（R值）分布图

从“波浪形”的分部特征可以看出，形状相对规律。一波接一波，一波比一波小是最理想的形态。说明店铺的重复购买做得好，能持续地让客户重复购买，也就是说客户R值在不断地变为0。R值大的客户越来越少，所以时间月往前波浪越小，大部分客户通过回购行为从较远的波浪回到最近的波浪里。店铺大部分客户能不断保持在有效的生命周期内。

F值对于客户效应率的区分效果是最好的，F=1和F=2的客户在营销活动响应率上的差异至少相差2倍，F值越大客户对店铺黏性越高，越容易产生再次购买。而且客户购买某一类商品总是有固定预算的，如果客户增加在自己店铺的购买次数，意味着减少客户在竞争对手店铺的购买次数，从而市场份额得到提升。F值分布得越均匀说明店铺忠诚度越高，如果大部分客户都集中在低F值区间，说明店铺的重复购买还有很大提升空间。

某服饰网店购买频次（F值)分布图

（1）购买1次（新客户）占比60%，产生重复购买（老客户）的占比为40%；

（2）购买3次及以上（成熟客户）的占比24.7%，购买5次及以上（忠诚客户）的占比为4%

那么不仅可以给这些用户定向推送一些优惠权益，做客户关怀，还可以用R、F的变化，可以推测客户消费的异动状况，根据客户流失的可能性，列出客户，再从M（消费金额）的角度来分析，就可以把重点放在贡献度高且流失机会也高的客户上，通过一些活动和通道去触达她们，沟通联系等，以最有效的方式挽回更多的商机。通过预测客户价值，您就清楚一旦VIP客户、大客户流失将在今后造成怎样的利润损失，找出对策。

图某中高端鞋子网店消费金额（M值）分布图

这时很容易就能发现，累计消费1000元以下的客户占比为71%（近2/3），贡献的店铺收入比例只占33%（近1/3），也就是说另外1/3的客户贡献了2/3的店铺收入，两个群体的收入贡献度相差近4倍，差异明显，这也印证了前面提到的二八定律。

店铺品类越丰富，客户M值差异越大，M值的应用价值越高；店铺商品价格范围越宽，客户M值差异越大，M值的应用价值越高。一个简单的累计消费金额M值划分办法：按照1/5的店铺客单价做累计金额的分段，如平均客单价是750元左右，那么可以按照150元进行累计消费金额分段，得出1-150元，150-300元的累计消费金额分段。

假设店铺在2016年1月要开展营销活动，需要对老用户进行优惠券、短信、邮件营销。店铺有1万个老用户，但是营销费用只够给支持2000个用户。通过RFM模型选择，就能选择最有可能响应最精准的2000个用户。不仅减少了成本，培养了活跃忠诚客户，还提高了营销效率。尤其是在大促前也可以关注下R值变化，便于评估大促效果，整体的复购响应率如何，活动是否有效，利于下一次做决策和活动准备。