RFM客群细分AI：零售银行精准营销的数学内核

RFM模型不是新东西——1930年代直邮营销就在用了。但当它遇上K-Means和业务规则引擎，就能从"粗放分层"进化为"千人千面"。

一个经典的业务问题

某股份制银行零售部有120万个人客户，年度营销预算5000万。市场部的做法是：

按资产分层：AUM>50万（私行）、5-50万（财富）、1-5万（基础）、<1万（长尾）

每一层发一样的短信、推一样的产品

结果呢？短信打开率2.3%，理财转化率0.8%。5000万预算花完了，新增AUM才8000万——投入产出比不到2倍。

问题不在预算多少，而在于"一刀切"的分层太粗了。同样是AUM 10万的客户，一个是每月定投5000的基金爱好者，一个是三年前买了一笔理财就再没动过的沉睡户——他们的需求和触达策略完全不同。

RFM：三个维度看懂客户

RFM三个字母代表三个维度：

**R (Recency)**：最近一次交易距今天数——"多久没来了"

**F (Frequency)**：一段时间内的交易次数——"来得勤不勤"

**M (Monetary)**：一段时间内的交易金额——"花了多少钱"

用这三个维度给客户打分：

客户A：R=5天（刚来过）、F=24次/年（每月两次）、M=12万/年（中等消费）

客户B：R=180天（半年没来）、F=2次/年（几乎不来）、M=50万/年（单笔大额）

客户C：R=3天（经常来）、F=52次/年（每周一次）、M=2000元/年（小额高频）

传统做法是按每个维度分成5档（1-5分），然后加权求和。但问题来了：

R=5、F=1、M=1的客户和R=1、F=5、M=5的客户，总分都是7，但行为特征完全不同

5档分界线是人为定的，不同人定出来的结果不一样

三个维度的权重（R:0.4、F:0.3、M:0.3？）拍脑袋

这就是传统RFM的天花板——它只能做粗放分层，做不到精准细分。

K-Means：让数据自己说话

K-Means聚类不预设分界线，而是让数据自己找群组。算法很简单：

1. 随机选K个中心点

2. 把每个客户归到最近的中心点

3. 重新计算每个群组的中心点

4. 重复2-3直到中心点不再变化

from sklearn.cluster import KMeans

import pandas as pd

import numpy as np

从银行CRM系统提取RFM特征

rfm_data = pd.DataFrame({

'customer_id': ['C001', 'C002', 'C003', ...],

'recency': [5, 180, 3, ...],

'frequency': [24, 2, 52, ...],

'monetary': [120000, 500000, 2000, ...]

})

标准化（消除量纲差异）

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()

rfm_scaled = scaler.fit_transform(rfm_data[['recency', 'frequency', 'monetary']])

K-Means聚类，选6个群组

kmeans = KMeans(n_clusters=6, random_state=42, n_init=10)

rfm_data['cluster'] = kmeans.fit_predict(rfm_scaled)

输出每个群组的特征

for i in range(6):

group = rfm_data[rfm_data['cluster'] == i]

print(f"群组{i}: {len(group)}人, R均值={group['recency'].mean():.0f}天, "

f"F均值={group['frequency'].mean():.1f}次, M均值={group['monetary'].mean():.0f}元")

输出可能长这样：

群组0: 18.5万人, R均值=8天, F均值=28次, M均值=15000元 → 高频小额活跃户

群组1: 22.3万人, R均值=210天, F均值=1次, M均值=80000元 → 大额沉睡户

群组2: 15.7万人, R均值=15天, F均值=6次, M均值=320000元 → 高价值稳定户

群组3: 28.1万人, R均值=90天, F均值=3次, M均值=5000元 → 低频小额休眠户

群组4: 12.4万人, R均值=3天, F均值=15次, M均值=500000元 → 高频高额核心户

群组5: 23.0万人, R均值=45天, F均值=8次, M均值=45000元 → 中频中额成长户

每个群组都有清晰的业务含义，不再是简单的"高/中/低"三层，而是6种截然不同的客户画像。

从细分到策略：6个群组6种打法

细分不是目的，策略才是。

|------|------|---------|---------|---------|

关键洞察：不是所有客户都需要电话。高频小额活跃户用APP推送就够了，大额沉睡户才需要客户经理花时间打电话。精准触达=省钱+有效。

肘部法则：K选几最合适

K值不是拍脑袋选的。用肘部法则（Elbow Method）来确定最优群组数：

import matplotlib.pyplot as plt

inertias = []

K_range = range(2, 11)

for k in K_range:

km = KMeans(n_clusters=k, random_state=42, n_init=10)

km.fit(rfm_scaled)

inertias.append(km.inertia_)

画肘部图

plt.plot(K_range, inertias, 'bo-')

plt.xlabel('K值')

plt.ylabel('组内平方和')

plt.title('肘部法则确定最优K')

plt.show()

找到"拐点"——惯性下降速度明显变缓的K值。实践中，零售银行客群通常K=5-8最合适，太少分不开，太多不好解释。

加一层业务规则：让AI更接地气

纯K-Means可能会把一些业务上不应该分开的客户分到不同组。比如同一个代发工资户，按RFM分到了不同群组，但业务上他们应该享受同样的代发工资客户权益。

解决方案：在K-Means之上加一层业务规则引擎。

override_rules:

- name: "代发工资客户统一"

condition: "customer.salary_account == true"

action: "assign_to_cluster = 'salary_base'"

- name: "黑名单客户单独标记"

condition: "customer.risk_level >= 3"

action: "assign_to_cluster = 'high_risk'"

- name: "新开户30天内"

condition: "customer.account_age_days <= 30"

action: "assign_to_cluster = 'new_customer'"

规则优先于算法——业务规则是硬约束，K-Means是软分类。两者结合，既尊重数据规律，又符合业务逻辑。

实际效果

某城商行实施RFM+K-Means+业务规则的客群细分后：

**短信打开率**：从2.3%提升到8.7%（精准触达，不再是群发）

**理财转化率**：从0.8%提升到3.2%（推的是客户想要的产品）

**客户经理效率**：从每人维护200户提升到350户（只打该打的电话）

**营销ROI**：从1.6倍提升到4.8倍（预算花在刀刃上）

投入：2个数据分析师+1个业务专家，3周开发+2周验证。产出：第一年节省营销预算1200万，新增AUM 3.2亿。

什么时候不该用RFM+K-Means

**客户数据太少**：开户不到1000户，统计无意义

**交易频率极低**：比如房贷客户一年就1-2笔，F维度几乎没有区分度

**产品极其单一**：只卖一种产品的银行，M维度也是常量

**合规要求不允许差异化定价**：某些场景下利率/费率必须统一，细分的价值打折

RFM+K-Means最适合的场景是：客户基数大（5万+）、产品多样（3+品类）、交易频率适中（年2次+）的零售银行场景。

完整的数据处理脚本、K-Means聚类代码和业务规则YAML模板，见 financial-ai-skills 仓库(github.com/yuzhaopeng-up/financial-ai-skills)的 rfm-clustering 目录。

---

RFM是零售银行最经典、最实用的客群分析框架。加上K-Means的自动聚类和业务规则引擎的约束，它从1930年代的直邮工具进化为2025年的精准营销引擎。不需要大模型，不需要GPU，一个scikit-learn就能跑起来——关键是理解业务逻辑，让数学为业务服务，而不是为了算法而算法。

RFM客群细分AI：零售银行精准营销的数学内核

友情链接更多精彩内容