mcpField
E
ecom-rfm-analysis

ecom-rfm-analysis

github.com/asgard-ai-platform营销与增长24341 次安装21 周前更新
代码仓库

关于 ecom-rfm-analysis

这项客户细分技能按最近购买时间、购买频率和消费金额为交易数据评分，帮助营销人员划分行为群体并制定针对性行动，同时说明数据准备和方法局限。

主要功能

  1. 01R、F、M 五分位评分
  2. 02命名客户细分群体
  3. 03按群体制定营销行动
  4. 04Python 评分脚本与检查测试
  5. 05RFM 方法局限说明

适用场景

  1. 01识别高价值、忠诚或有流失风险的客户
  2. 02规划新客引导和二次购买激励
  3. 03设计客户召回活动
  4. 04细分前检查交易数据

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/asgard-ai-platform/skills --skill ecom-rfm-analysis

安装后在 Claude Code 中输入/ecom-rfm-analysis确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

examples/
sample_input.json
references/
clv-prediction.md
rfm-implementation.md
scripts/
rfm_score.py

详细介绍

RFM 分析

概述

RFM 根据三个行为维度对客户进行细分：Recency（最近一次购买时间）、Frequency（购买频率）和 Monetary（消费金额）。它将原始交易数据转化为可用于精准营销的客户细分群体。

框架

IRON LAW: RFM Uses ACTUAL Behavior, Not Demographics

RFM is behavioral segmentation — it classifies by what customers DO,
not who they ARE. A 25-year-old and a 65-year-old in the same RFM segment
should receive the same treatment. Never mix RFM with demographic
assumptions.
三个维度
维度衡量内容计算方法
Recency（R）距上次购买的天数今天 - 上次购买日期
Frequency（F）统计周期内的购买次数不同交易的数量
Monetary（M）统计周期内的总消费额交易金额总和
评分方法（基于五分位数）
  1. 对每个维度，将所有客户排序并划分为 5 个相等的组（五分位组）
  2. 评分从 5（最佳）到 1（最差）：R=5 表示最近购买，F=5 表示购买最频繁，M=5 表示消费金额最高
  3. 合并为 3 位 RFM 分数（例如，R5-F4-M5 = 最近购买、频繁购买、高价值）

注意：对于 Recency，天数越少，分数越高（越近越好）。

主要细分群体
细分群体RFM 模式描述策略
Champions（冠军客户）R5, F5, M5最佳客户，近期购买、购买频繁、价值高奖励、忠诚度计划、优先体验
Loyal（忠诚客户）R4-5, F4-5, M3-5持续购买的客户向上销售、交叉销售、推荐计划
Potential Loyalists（潜在忠诚客户）R4-5, F2-3, M2-3近期购买、购买频率中等培育客户以提高购买频率
At Risk（有流失风险客户）R2-3, F3-5, M3-5过去购买频繁或价值高，但近期未购买挽回营销活动、特别优惠
Hibernating（沉睡客户）R1-2, F1-2, M1-2长期沉寂、价值较低低成本重新激活，或放弃挽回
New Customers（新客户）R5, F1, M1-2刚完成首次购买新手引导、二次购买激励
实施步骤

阶段 1：数据准备

  • 必需数据：客户 ID、交易日期、交易金额
  • 清理数据：移除退款、测试订单和内部订单
  • 设定分析时间窗口（通常为 12-24 个月）

阶段 2：计算 RFM 分数

  • 计算每位客户的 R、F、M
  • 为每个维度分配五分位数分数（1-5）
  • 合并并划分细分群体

阶段 3：细分并采取行动

  • 将每位客户映射到一个命名细分群体（Champions、At Risk 等）
  • 为每个细分群体设计针对性行动
  • 衡量结果：目标客户的行为是否有所不同？

输出格式

# RFM Analysis: {Business}

## Data Summary
- Customers analyzed: {N}
- Analysis window: {start} to {end}
- Transactions: {N}

## Segment Distribution
| Segment | Count | % | Avg R (days) | Avg F | Avg M |
|---------|-------|---|-------------|-------|-------|
| Champions | {N} | {%} | {days} | {count} | ${X} |
| At Risk | {N} | {%} | ... | ... | ... |
| ... | ... | ... | ... | ... | ... |

## Key Findings
- Top 20% customers contribute {X%} of revenue
- {N} customers at risk of churning (were high-value, now dormant)
- {N} new customers need second-purchase nurturing

## Recommended Actions
| Segment | Action | Channel | Expected Impact |
|---------|--------|---------|----------------|
| Champions | {loyalty reward} | {email/app} | Increase AOV by X% |
| At Risk | {win-back offer} | {email/SMS} | Recover X% of dormant revenue |

注意事项

  • RFM 基于历史数据：它告诉你客户过去做了什么，而不是将来会做什么。结合预测模型（CLV 预测）以获取前瞻性洞察。
  • 等量五分位组未必合理：如果 80% 的客户只购买过一次，那么第 1-4 个五分位组全都是“一次性买家”。可以根据业务情况设置自定义分界点。
  • 订阅业务中的 Monetary 可能会产生误导：如果所有人支付相同的订阅费，M 维度不会提供任何额外信息。可以舍弃 M 维度，仅使用 RF。
  • B2B 和 B2C 的购买频率标准不同：每季度购买一次的 B2B 客户可能算“频繁购买”，而每季度购买一次的 B2C 客户可能有“流失风险”。请根据业务情况调整标准。
  • 不要向有流失风险的客户过度发送消息：向沉睡客户狂发邮件可能导致退订。精心设计一次挽回营销活动，比每周发送邮件更有效。

脚本

脚本描述用法
scripts/rfm_score.py为客户的 R/F/M 评分并分配细分群体标签python scripts/rfm_score.py --help

运行 python scripts/rfm_score.py --verify 可执行内置健全性测试。

参考资料

  • Python/SQL 实现代码请参阅 references/rfm-implementation.md
  • RFM 扩展版 CLV 预测请参阅 references/clv-prediction.md

评论

支持 Markdown