28、用户分层：RFM模型、用户生命周期价值(LTV)
用户分层这件事，说白了就是回答一个问题：谁才是你真正该花精力去维护的人？
我做了这么多年电商数据分析，见过太多团队把预算平均撒给所有用户。结果呢？高价值用户觉得被冷落，低价值用户薅完羊毛就跑。嗯，这其实是个资源错配的问题。
今天咱们聊聊两个最经典的分层工具：RFM模型和用户生命周期价值（LTV）。这两个东西，一个帮你快速给用户贴标签，一个帮你算清楚每个用户到底值多少钱。
RFM模型：三个维度看透用户
RFM模型不是什么新概念，但好用。它从三个维度衡量用户：
- R（Recency）：最近一次购买时间。越近越好。
- F（Frequency）：购买频率。越频繁越好。
- M（Monetary）：消费金额。花得越多越好。
你想想看，一个用户昨天刚下单，一个月买了5次，累计花了2000块。另一个用户半年没来了，只买过一次，花了50块。谁更重要？一目了然。
核心逻辑：RFM模型把每个维度分成高/低两档（或者更多档），组合出不同的用户群体。比如R高、F高、M高的用户，就是你的“超级VIP”。
我在项目中遇到过一家美妆电商，他们用RFM模型把用户分成了8类。结果发现，有一类用户R低（很久没来）、F高（以前买得勤）、M高（花了不少钱）。这类用户其实是被遗忘的老客户，稍微发个优惠券就回来了。嗯，这就是RFM的价值——帮你发现那些“沉睡的金矿”。
RFM打分实操
具体怎么做？我习惯用五分制打分。举个例子：
-- 假设我们有一张订单表 orders
-- 字段：user_id, order_date, amount
-- 1. 计算每个用户的R、F、M值
WITH user_rfm AS (
SELECT
user_id,
DATEDIFF('2024-01-01', MAX(order_date)) AS recency, -- 距离今天的天数
COUNT(DISTINCT order_id) AS frequency,
SUM(amount) AS monetary
FROM orders
GROUP BY user_id
)
-- 2. 分位数打分（五分制）
SELECT
user_id,
NTILE(5) OVER (ORDER BY recency ASC) AS r_score, -- R越小分越高
NTILE(5) OVER (ORDER BY frequency DESC) AS f_score,
NTILE(5) OVER (ORDER BY monetary DESC) AS m_score
FROM user_rfm小技巧：R值打分时要注意方向。最近购买的用户R值小，所以分数要高。别搞反了，我曾经犯过这个错，结果把活跃用户全打成了低分。
用户分层矩阵
打完分之后，把三个分数组合起来。我一般用这个规则：
| 用户类型 | R分数 | F分数 | M分数 | 运营策略 |
|---|---|---|---|---|
| 重要价值用户 | 高 | 高 | 高 | VIP维护，专属服务 |
| 重要发展用户 | 高 | 低 | 高 | 提升购买频次 |
| 重要保持用户 | 低 | 高 | 高 | 召回激活 |
| 一般价值用户 | 高 | 低 | 低 | 促销转化 |
| 流失用户 | 低 | 低 | 低 | 放弃或低成本召回 |
你看，不同用户对应不同策略。这就是分层的目的——把有限的资源花在刀刃上。
用户生命周期价值（LTV）：算清楚每个用户值多少钱
RFM模型告诉你用户现在怎么样，LTV告诉你用户未来能贡献多少。说白了，LTV就是一个用户从注册到流失，总共能给你带来多少利润。
我刚开始做LTV时，觉得这东西太理论了。直到有一次，我们团队要决定花多少钱去拉一个新用户。如果LTV算出来是100块，那获客成本超过100块就是亏本的。你想想看，没有LTV，你连广告预算都不敢拍板。
LTV的三种计算方法
实际工作中，我常用这三种方式：
- 历史LTV：直接算用户过去的总消费。简单粗暴，适合短期分析。
- 预测LTV：用模型预测未来消费。适合做决策。
- 传统LTV公式：LTV = 平均客单价 × 购买频次 × 留存时长
举个例子，假设你的电商平台：
- 平均客单价：200元
- 月均购买频次：0.5次（每两个月买一次）
- 平均留存时长：12个月
那么LTV = 200 × 0.5 × 12 = 1200元。也就是说，每个用户平均能给你带来1200块的收入。
注意：这个公式算的是收入，不是利润。如果要算净利润，还得扣掉商品成本、物流成本、营销成本等。我曾经见过有人把收入当利润算，结果获客预算超了3倍，差点出事。
用SQL计算LTV
实际工作中，我习惯按用户群组来算LTV。比如按注册月份分组：
-- 按注册月份计算用户群组的LTV
WITH user_cohort AS (
SELECT
user_id,
DATE_TRUNC('month', register_date) AS cohort_month,
order_date,
amount
FROM orders
JOIN users ON orders.user_id = users.user_id
)
SELECT
cohort_month,
COUNT(DISTINCT user_id) AS user_count,
SUM(amount) / COUNT(DISTINCT user_id) AS ltv_per_user
FROM user_cohort
GROUP BY cohort_month
ORDER BY cohort_month这个查询会告诉你，每个注册月份的用户群，平均每人贡献了多少收入。你可以按月追踪，看看新用户的LTV是在上升还是下降。
RFM + LTV：组合拳打法
我个人习惯把RFM和LTV结合起来用。RFM负责分层，LTV负责量化。举个例子：
- RFM分出的“重要价值用户”，他们的LTV可能高达5000元。
- “一般价值用户”的LTV可能只有200元。
这时候你就知道，花100块去维护一个重要价值用户是值得的，但花100块去维护一个一般价值用户就亏了。
核心思路：用RFM做用户分类，用LTV做资源分配。两者结合，才能实现精细化运营。
避坑指南
最后分享几个我踩过的坑：
- RFM的维度权重：不同行业权重不一样。奢侈品行业M更重要，快消品行业F更重要。别一刀切。
- LTV的时间窗口：计算LTV时，时间窗口要统一。有人用12个月，有人用24个月。我建议至少覆盖一个完整的购买周期。
- 数据口径：RFM和LTV的数据源要一致。我曾经因为订单表和用户表的时间戳不一致，算出来的结果完全对不上。
嗯，用户分层这件事，说到底就是把用户当人看。不同的人，不同的对待方式。RFM和LTV只是工具，真正重要的是你愿不愿意花时间去理解你的用户。