01 · 场景
哪些客户值得先了解，而不是先贴标签？
刚首购的大客和很久没来的老客，累计金额可能一样。把两人放进同一促销名单，容易把新客当成低频老客，也可能给原本会回来的客户多发一张券。RFM 用来缩小调查范围，不直接判断客户价值或活动收益。
构造场景，用于解释方法。
02 · 原理
一张图看懂它怎么运转
本页 R 取全部已知历史中的最近有效购买；F/M 只取选定窗口。完整退款订单不计有效购买，部分退款以净额计金额。规则固定后才能比较两次分群。
03 · 实验
改变条件，观察结果
换一个时间窗，客户未必变了
交互实验 · 构造示例
8 名客户与订单均为构造。已知第 1–120 天完整历史；第 91–120 天没有新订单。R 取截止日前全部已知有效历史；F/M 取 [截止日 − 窗口 + 1, 截止日]，两端包含。每条记录为一单，退款在购买日结清；全退剔除，部分退款计净额。历史不足 30 天先列为新客；否则 R 超界为久未购买，R 未超界且 F ≥ 3、M ≥ 300 为近期多次高金额。教学阈值不代表通用经营标准。
横向滚动查看完整明细
R = 截止日 − 最近有效购买日；F = 窗内有效订单数；M = 窗内订单净额合计；无有效购买时 R 保留未知
04 · 分析交付
先给主判断，再展示依据
- 主判断：先回答当前问题，给出有证据的首选解释、方案或行动。确实并列时写明比较结果及下一项区分证据，不用罗列可能性代替判断。
- 判断依据：把关键原始记录、计算和推断连到结论。说明方法实际改变了哪项判断；来源不足时缩小结论范围，仍交付已能成立的部分。
- 量化口径：按方法原有公式、单位和分母计算。材料编码须去重并单列未知；没有量化依据则给理由明确的定性比较，不编统一分数或未经校准的概率。
- 反证与改判：指出最强的相反证据、替代解释或敏感变量。写清什么新事实或阈值变化会使首选改变；未经对照的相关性不写成因果。
- 实际用途：把主判断转成当前可执行的动作、停止条件或下一项验证。负责人、预算和期限按已知材料填写；不为完成模板发明业务事实。
- 适用范围：保留各方法自己的产出与失效条件。表达教程不承担业务结论；未核定资料不自动推荐；临床条目按其专项范围交付知识、行为应对或就诊准备。
05 · 准备
开始前，准备什么
最小输入
- 稳定客户键与去重订单键
- 统一观察截止日与完整交易历史范围
- 频次/金额观察窗与退款生效口径
- 商品购买周期及分群后拟检验的行动
应留下的产出
- 可重复的分群规则和差异化运营实验。
06 · 用法
按顺序完成 5 步
- 固定截止日、交易范围和有效订单定义。区分未发生、未观测与已退款；不把缺失填零。
- 计算 R、F、M 并公开各自窗口。本页 R 用截至当日全部已知有效订单，F/M 只用所选窗内订单；这是一种明确口径，不是唯一标准。
- 按业务阈值或分位点分组，检查同值、空组与小样本。新客观察历史短时单列，不按低频直接判断低价值。
- 用代表性交易核对每组；金额不是毛利，久未购买不是已经流失。结合品类周期与实际需求确定候选动作。
- 分群后做有对照的小规模行动验证，比较增量贡献、退订及成本。分群本身不证明行动有效。
07 · 案例
在线零售商：从 RFM 分群到行动建议
真实公开案例 · 原始研究公开摘要
研究对象
Chen、Sain 与 Guo 于 2012 年发表一项在线零售商案例研究，使用真实客户交易资料。
研究做法
研究把 RFM 与 k-means、决策树结合，描述各组特征，再提出面向客户的营销建议。本页固定阈值实验不复刻论文模型。
可借鉴
分群的输出需要落到可理解的客户特征与候选行动，不能止于一个分数或算法名称。
证据边界
本次核验范围为出版商公开摘要。摘要没有报告随机对照营销增量；本库不补写未核验的样本规模、收入提升或利润效果。
08 · 示例
把它放进一个具体场景
构造示例，非真实业务记录。
问题
构造客户 A 在第 10、40、70、85 天各有一笔 100 元有效订单。截止第 90 天，R = 5 天。
已有材料
以第 1–90 天为频次和金额窗口，A 的 F = 4 单、M = 400 元；窗口缩为第 61–90 天，F = 2 单、M = 200 元，R 仍为 5 天。
目前能判断
客户 C 在第 88 天首购 500 元，历史只有 2 天。不能因 F = 1 就推断购买意愿弱或不值得服务。
下一步核对
实验按先无有效记录、再短历史、再久未购买、再近期多次高金额、其余近期的顺序分组。阈值只是教学规则，金额不代表毛利。
09 · 边界
什么情况下，不宜直接套用
- 新客户历史短；耐用品低频不必然低价值，需结合购买周期。
- 高销售金额不能替代高毛利；发券后的成交也不等于增量成交。
- 换窗口、改退款口径会改变分群。同值与小样本不适合强求等人数分箱。
- “30 天”是教学阈值，不能直接断言第 30 天必然流失。缺失历史不能补作零。
10 · 计算
计算关系
R = 截止日 − 最近一次有效购买日（天）
F = 选定窗口内有效订单数（单）
M = 选定窗口内有效订单净金额之和（元）
11 · 练习
用一道题检查理解
客户刚在 2 天前首购 500 元，只买过一次。能因为频次低就认定他是低价值客户吗？
12 · 实作
把判断写成可复查的记录
选一个购买周期相近的品类，做一张可以回到订单核对的 RFM 名单，并挑一个值得验证的客户经营动作。
- 固定客户键、截止日、历史覆盖和窗口；说明全额/部分退款及跨期退款处理。
- 每组抽查原始订单；列人数、同值与空组，不强行让每组人数相等。
- 单列新客与记录不足者。将高金额、久未购买与高利润、流失区分开。
- 在同组内设置可比对照；算增量贡献减活动成本，并观察退订或投诉。
记录字段：截止日｜历史覆盖｜有效订单与退款口径｜R/F/M 窗口｜阈值/同值处理｜客户明细｜组规模｜候选动作｜对照与增量贡献。
完成后，核对参考要点
客户 A 在 90 天窗是 4 单、400 元，30 天窗是 2 单、200 元，最近购买仍距今 5 天。组别变化可能来自窗口而非行为突然变差。客户 F 的部分退款应从金额扣除；客户 H 唯一一单全额退款，R 无有效日期，显示“—”而非 0 天。
13 · 应用
把这个方法交给 Agent
14 · 出处
出处与证据范围
RFM 是历史行为摘要，无唯一普适阈值。公开论文支持真实零售分群做法，不证明营销增量。实验的客户、订单与退款均为构造数据，规则与原论文聚类不同。
- IBM：RFM Analysis node
最近购买时间、频率、金额评分与分箱。未给出唯一首创者。
本轮查阅公开正文／原始文件
- IBM SPSS Statistics：RFM binning
支持独立分箱及相同值的处理边界。同值留在一箱会使箱大小不均；分群不是价值或因果证明。
2026-10-24 核验官方页面搜索索引正文；直接抓取返回 403，未声称全文可访问
- Chen、Sain、Guo：在线零售 RFM 客户分群案例（2012）
支持真实零售数据结合 RFM、k-means 与决策树分群并提出营销建议。不支持营销增量或利润提升的因果结论。
2026-10-24 查阅出版商公开摘要；未取得付费全文，不复述未核验的样本数字
本地材料定位
ice-year-end-s031
材料中可定位；具体方法步骤是本轮操作化整理，非原文逐字复述
名称与整理说明
使用可追溯参考中的通行术语；不主张存在唯一提出者或唯一中文译法。
操作化整理；原始来源用于约束，不声称逐字复述或已验证效果
登记版本 2026-10-25.3。来源状态沿用登记表，不表示所有来源均在本次重新核验。