用户分层与 RFM 分析

1. 为什么推荐

任务书要求做复购率和用户分层，但没有限制只能按购买次数。RFM 是电商分析常用框架，能把“谁更有价值”讲清楚，比只统计购买次数更适合写运营建议。

本数据没有金额字段，因此建议先做简化 RFM：

• R：最近一次购买距观察期结束的天数。
• F：观察期内购买次数。
• M：原始数据没有金额，基础版不做；后期虚拟数据扩展时再加入。

2. 可用字段

• user_id
• behavior_type
• timestamp
• date

3. 分析口径

• 购买用户：至少出现一次 buy 行为的用户。
• 最近购买时间：每个用户最后一次 buy 的时间。
• 购买频次：每个用户 buy 行为次数。
• 高价值用户：R 较近且 F 较高的用户。

4. 推荐分层

分层	规则示例	运营含义
高活跃购买用户	R 近，F 高	适合会员、复购券、重点维护
新近单购用户	R 近，F 低	适合二次购买引导
沉默老客	R 远，F 高	适合召回活动
低价值用户	R 远，F 低	低优先级触达

5. 推荐图表

• 用户分层人数柱状图。
• 各分层购买次数占比。
• 各分层 PV、cart、buy 行为结构对比。
• R/F 二维矩阵热力图。

6. 交付建议

• 指标表：用户分层指标表。
• 看板模块：用户价值分层。
• 报告结论：找出高价值用户占比和复购运营机会。