第3讲
客户画像与RFM分析
“你的客户到底是谁？”
客户数据分析技术
阶段一：数据基础与客户认知
一、情景导入：老板的灵魂拷问
市场部要做“双十一”促销方案，需要小林提供客户分析支持。市场部经理老李问了一个看似简单的问题：“小林，我们的核心客户群体是什么样的？他们多大年纪？住在哪里？喜欢买什么？多久买一次？”
小林愔住了。她能回答“总共有多少客户”“总销售额是多少”这类简单问题，但要说清楚“客户是什么样的”，她发现自己其实一无所知。
老李叹了口气：“你看人家阿里，连你什么时候来大姨妈都能猜到，我们连客户是男是女都说不清楚。”
小林决定从最基础的事情做起——先搞清楚“我们的客户到底是谁”。这就引出了两个核心工具：客户画像和RFM分析。
**核心问题：**你知道你的客户是谁吗？他们为什么买？他们会再来吗？
二、知识讲解
2.1 什么是客户画像？
**客户画像（Customer Persona / Customer Profile）**是基于真实数据构建的、对目标客户群体的典型特征描述。它不是描述某一个具体的人，而是描述“一群人的典型特征”。
360度客户视图
一个完整的客户画像需要整合三个维度的数据：
**交易数据：**购买记录、消费金额、购买频次、最近购买时间
**行为数据：**浏览记录、点击行为、搜索关键词、收藏/加购行为
**画像数据：**年龄、性别、地区、职业、兴趣偏好这三个维度组合在一起，就构成了所谓的“360度客户视图”。
真实案例
**京东：**构建了“全链路实时画像”体系，用户行为捕获率达98.3%，能够实时识别用户意图并做出精准推荐
淘宝：“千人千面”推荐背后，是数亿用户的精细化画像——你的每一次点击、每一次停留、每一次购买，都在为你的画像添砖加瓦2.2 描述性统计：给客户“拍张照”
要构建客户画像，第一步就是用描述性统计给客户“拍张照”——了解客户的基本特征。
均值 vs 中位数：哪个更靠谱？
分析客户消费金额时，中位数往往比均值更能反映“普通客户”的真实水平。为什么？因为少数“土豪”客户会严重拉偏均值。
举个例子：如果10个客户的消费金额分别是 100、100、100、100、100、100、100、100、100、9000元，均值是910元，但中位数只有100元。哪个更能代表“大多数客户”的消费水平？答案显而易见。
分布与离散程度
客户年龄分布、消费金额分布——用直方图呈现，可以直观看到客户集中在哪个区间
标准差越大，说明客户之间的差异越大——这时候就需要考虑客户分群，而不是用一套策略对待所有客户2.3 RFM模型：客户价值的三把尺子（核心重点）
RFM模型是客户价值分析中最经典、最实用的工具之一。它通过三个维度来衡量客户价值：
**R（Recency，最近一次购买）：**距今天的天数。越小越好，说明客户越活跃。一个昨天刚下单的客户，比半年前下单的客户更有可能再次购买。
**F（Frequency，购买频次）：**一定时期内的购买次数。越高越好，说明客户越忠诚。一个每月买5次的客户，显然比一年买1次的客户更有价值。
**M（Monetary，累计消费金额）：**总消费金额。越高越好，说明客户的贡献价值越大。
RFM评分方法
将每个维度按五分制打分：R越小分越高（最近购买的得高分），F和M越大分越高。三个维度的分数组合起来，就能对客户进行精细化分群。
RFM客户分群策略
不同的RFM组合对应不同的客户类型和运营策略：
| 客户类型 | RFM特征 | 应对策略 |
|---|---|---|
| 高价值客户 | R低 F高 M高 | VIP服务、专属优惠、伴手礼、优先发货 |
| 沉睡客户 | R高 F低 M中 | 唤醒活动、限时优惠、个性化推荐 |
| 新客户 | R低 F低 M低 | 新手引导、首单优惠、新人专属礼包 |
| 流失风险客户 | R高 F高 M高 | 主动关怀、挝留方案、回访调查 |
RFM的现实应用
阿里的88VIP会员体系就是基于RFM逻辑设计的经典案例。88VIP会员超过5900万，人均年消费是非会员的9倍。其核心逻辑就是筛选出R低、F高、M高的高价值客户，给予专属权益，进一步提升其忠诚度和消费额。
三、操作步骤：构建「潮玩星球」客户画像
步骤1：描述性统计——给客户“拍张照”
用Excel数据透视表计算客户年龄的均值、中位数、分布
用数据透视表计算客户消费金额的统计量（均值、中位数、标准差）
用Kimi辅助生成分析：“请分析这个数据集中客户的年龄分布和消费金额分布”步骤2：RFM评分——给客户“打分”
计算R值：用DATEDIF函数计算最近购买日期距今天的天数
计算F值：用COUNTIF函数计算购买次数
计算M值：用SUMIF函数计算累计消费金额
将R、F、M分别按五分制打分（R越小分越高，F和M越大分越高）步骤3：客户分群——给客户“分组”
根据RFM总分将客户分为4组：高价值/沉睡/新客/流失风险
用数据透视表统计每组的人数、平均消费、平均购买次数
为每组客户命名并描述特征，形成“客户画像卡片”步骤4：可视化呈现
用Excel图表展秪RFM分布（柱状图、饼图）
用Kimi辅助生成客户画像总结报告四、课堂练习
练习1：RFM评分计算（基础）
下表是3个客户的原始数据，请根据评分规则计算每个客户的RFM评分：
| 客户 | 最近购买天数 | 购买次数 | 累计消费 |
|---|---|---|---|
| A | 5天 | 20次 | 8500元 |
| B | 180天 | 2次 | 300元 |
| C | 30天 | 8次 | 4200元 |
评分规则：
R评分：R≤7天=5分，≤30天=4分，≤90天=3分，≤180天=2分，>180天=1分
F评分：F≥15次=5分，≥8次=4分，≥3次=3分，≥1次=2分，0次=1分
M评分：M≥5000=5分，≥3000=4分，≥1000=3分，≥500=2分，<500=1分**提示：**客户A的R=5天≤7天，所以R得5分；F=20次≥15次，所以F得5分；M=8500≥5000，所以M得5分。RFM总分=15分，属于高价值客户。
练习2：客户分群策略（进阶）
针对计算出的RFM评分，回答以下问题：
客户A属于什么类型？应该采取什么策略？
客户B属于什么类型？如何挝回？
如果你是「潮玩星球」的运营经理，你会优先投入资源维护哪类客户？为什么？五、课后任务
项目任务 P1-3
完成「潮玩星球」客户基础画像和RFM分析，包括：
客户年龄、消费金额的描述性统计
RFM评分计算与客户分群
各组客户的特征描述与运营策略建议思考题
打开淘宝/京东APP，观察它们的“猜你喜欢”推荐——你觉得它们用了哪些数据来推荐？如果你是产品经理，你还会加入什么数据？
AI工具探索
尝试用Kimi分析一个真实数据集的RFM分布，观察AI的分析结果与你的手动计算是否一致。
📊 本课数据
本课练习可使用以下数据集：
| 数据集 | 说明 | 下载 |
|---|---|---|
| 客户主数据 | 客户主数据，用于RFM分析 | 下载 |
| 订单商品明细 | 订单商品明细，用于计算消费指标 | 下载 |
使用建议
下载 CSV 文件后，可导入 Kimi/ChatGPT 进行 AI 辅助分析，或用 Excel/Power BI 进行可视化。