"我们的用户是谁？"这可能是被问得最多、却最难回答清楚的问题。给所有用户发一样的优惠券、推一样的内容，本质上是浪费营销预算。客户分群分析（Customer Segmentation）就是帮你回答"谁是你的用户"的工具，也是精准营销的基础。这篇文章用5个步骤讲清楚客户分群的全流程。分群之后如何深入理解用户行为，可以进一步阅读用户洞察分析的完整构成。

第一步：定义分群维度——RFM模型入门

客户分群最经典的工具是RFM模型，三个字母代表三个维度：

  • R（Recency）最近一次消费时间：用户最后一次购买距今多少天。R值越小（越近）越好。
  • F（Frequency）消费频率：用户在统计周期内购买的次数。F值越大越好。
  • M（Monetary）消费金额：用户在统计周期内累计消费金额。M值越大越好。

通过这三个维度，你可以把用户分成8类（每个维度分高/低两档）：

  • 重要价值客户（R高F高M高）：最近买过、买得频繁、花得多。这是你的核心用户，要重点维护。
  • 重要发展客户（R高F低M高）：最近买过、花得多但频次不高。需要用复购激励提升消费频次。
  • 重要保持客户（R低F高M高）：曾经是高频高消费用户，但最近不活跃了。需要召回。
  • 重要挽留客户（R低F低M高）：曾经高消费但现在既不来也不常买。流失风险最高，需要重点干预。
  • 一般价值客户（R高F高M低）：活跃但消费不高。可以尝试向上销售（Upsell）。
  • 一般发展客户（R高F低M低）：新用户或低频低消费用户。需要引导和教育。
  • 一般保持客户（R低F高M低）：曾经活跃但消费不高且最近不来了。
  • 一般挽留客户（R低F低M低）：各方面都低。维护成本高，谨慎投入资源。
RFM不是唯一的分群维度。根据你的业务，还可以加入：购买品类偏好、设备类型、地域、注册渠道、是否使用优惠券等维度。
RFM客户分群模型示意图

第二步：数据准备——最容易被低估的一步

做客户分群需要的基础数据其实很简单，但准备过程很容易踩坑：

必需数据字段

  • 用户唯一标识（user_id）
  • 订单时间（用于计算R）
  • 订单ID或交易流水号（用于计算F）
  • 订单金额（用于计算M）

数据清洗要点

  1. 去重：同一个订单不能重复计算。退款订单要剔除或标记。
  2. 时间窗口：选择分析的统计周期。常见的是最近90天或180天。周期太短数据稀疏，太长则时效性差。
  3. 异常值处理：批发订单、内部测试订单、异常大额订单要排除，否则会拉偏M值的分档阈值。
  4. NULL处理：没有消费记录的用户（R为无穷大）需要单独处理。可以赋予一个较大的默认值（如999天），或单独分为"未消费用户"。

实际工作中，数据清洗往往占整个分析工作量的60%以上。一个建议：第一次做的时候认真清洗并记录清洗规则，后续更新数据时复用这套规则。

第三步：选择分群方法

根据数据量和业务需求，选择合适的方法：

方法A：RFM打分法（适合入门）

将R、F、M三个指标分别排序，按分位数（如五等分）给每个用户打分（1-5分）。然后组合得分进行分群。例如：

  • R5F5M5 → 重要价值客户
  • R1F1M1 → 一般挽留客户

优点：简单易懂，业务人员容易理解和接受。缺点：分档阈值依赖分位数选择，对极端值敏感。

方法B：K-Means聚类（适合进阶）

将R、F、M标准化后，用K-Means算法自动聚类。需要先确定K值（分几类），通常用肘部法则（Elbow Method）或轮廓系数（Silhouette Score）来确定最优K值。

优点：数据驱动，可以发现RFM打分法发现不了的隐藏模式。缺点：需要对数据进行标准化，结果解释需要一定的统计基础。

方法C：业务规则分群

根据业务经验直接定义规则。例如：

  • VIP用户：近30天消费≥3次 且 累计消费≥5000元
  • 沉睡用户：近90天无任何消费记录
  • 新用户：注册≤30天

优点：完全可控，业务含义明确。缺点：规则制定依赖经验，可能遗漏重要特征。

第四步：执行分析

选定方法后，用工具执行分析。如果你会用Python，几行代码就能跑完RFM分群：

  • 用pandas的groupby按用户聚合订单数据
  • 用qcut做分位数分档
  • 用scikit-learn的KMeans做聚类

如果你不会写代码，Excel也能完成基础版RFM分析——用数据透视表聚合，用PERCENTILE函数计算分位值，用VLOOKUP做分档。

当然，最快的方式是用速析AI——上传用户消费数据Excel，选择"客户分群"场景，AI自动完成RFM分群、聚类分析，直接输出分群结果和用户画像描述。

第五步：解读结果，产出用户画像

客户画像模板示例

分群结果出来后，最关键的一步是给每个群体一个"人设"。不是冷冰冰的数字标签，而是可以指导运营策略的人物描述。

画像描述模板

以"重要价值客户"为例：

  • 群体名称：忠诚高价值用户
  • 群体规模：占比8%，人数1200人
  • 消费特征：近30天均有消费，月均消费3.2次，客单价380元
  • 偏好品类：高端护肤品、礼盒套装
  • 行为特征：主要在晚上8-10点下单，偏好使用优惠券，对上新敏感
  • 运营策略：优先推送新品和限量款，提供专属客服，设置VIP积分兑换

常见踩坑

  1. 分群太多：分8-10个群体就够用了。分成20个群体，运营团队根本执行不过来。
  2. 只分不运营：分群是手段不是目的。每个群体必须有对应的运营策略和触达计划。
  3. 画像不更新：用户行为在变化，分群结果至少每季度更新一次。
  4. 忽视群体间流动：关注用户从"重要发展客户"升级到"重要价值客户"的转化率，这才是分群运营的核心KPI。

实操案例：某美妆电商的RFM分群

以某美妆电商最近180天的数据为例，使用RFM打分法将用户分为8个群体：

  • 重要价值客户（6%）：贡献了35%的GMV，人均消费1820元
  • 重要发展客户（4%）：客单价高但只买了一次，适合推"满299减50"复购券
  • 重要保持客户（5%）：近60天未消费但历史贡献高，需要短信/App Push召回
  • 一般价值客户（11%）：活跃但消费偏低，适合推"加价换购"提升客单价

分群后，运营团队针对"重要保持客户"发起了召回活动——推送专属折扣码+新品推荐，3周内召回率达到了22%，远超普通群发短信5%的转化率。

这就是客户分群的价值：不是给所有人发一样的东西，而是给对的人发对的东西。配合转化率指标分析，可以精准衡量不同客户群体的转化效果。你也可以在速析AI的场景分析中使用客户分群功能，自动生成分群结果和可视化报告。