AI 让会员分层这件事的门槛大幅下降：过去需要懂 RFM 模型、会操作数据表格，现在把订单记录整理好交给 AI，它就能完成打分和分组。RFM 用三个维度给客户画像：最近一次消费（R）、消费频率（F）、消费金额（M），这篇讲普通店铺怎么用 AI 简化跑通这套方法。
RFM 三个字母各管什么
R 看时间：客户多久没来了，越近越活跃；F 看次数：一段时间内来了几次，衡量习惯；M 看金额：累计花了多少，代表价值。三个维度各自打分，组合出客户类型：近来得勤、花得多的是核心客户；很久没来的高消费客户是流失预警，优先唤回；来过一两次就消失的是新客待转化。模型本身不难，难在过去要手工算分，现在这一步可以整体交给 AI，你只需要管好数据入口。
把订单数据整理成一张表
AI 分层的前提是一张干净的订单表，至少四列：客户标识（手机号或昵称，注意脱敏）、下单日期、订单金额、订单编号。从店铺后台导出后做三件事：统一日期格式、合并同一客户的重复行、剔除退款单。敏感信息先脱敏处理再交给 AI，这是基本习惯。数据范围建议取最近半年到一年，太早的订单对当前分层意义有限。表格越规整，AI 出错的可能越小，整理的功夫都花在刀刃上。
让 AI 完成打分与分组
把表交给 AI，指令可以这样下：按 R、F、M 三个维度各分五档打分，然后按总分把客户分成核心、潜力、沉睡、流失四组，输出每组的数量和典型特征。分档标准让它基于数据分布自己定，并解释每档的切分线。拿到结果后抽几个人工核对：挑两个你熟悉的客户，检查分组是否符合直觉，不符就回头查数据或调口径。分组数不必贪多，四到六组足够支撑日常运营动作。
每组客户对应什么动作
分层的目的在于动作。核心客户重维护：新品优先告知、专属权益；潜力客户重提频：用组合优惠拉高来店次数；沉睡客户重唤回：一条带具体利益点的召回信息；流失客户轻触达：低成本广撒网即可。把每组策略写清楚交给 AI，让它生成对应的触达文案初稿，你改语气定稿。文案之外，触达渠道也写进策略：核心客户走一对一消息，沉睡客户走短信或社群，渠道与客户状态匹配，转化率才起得来。AI 生成的营销内容对外触达时，按平台和渠道规则做好相应的标识与合规检查。先在一个组上小范围试点，有效果再扩大。
| 客户组 | 动作重心 | 落地方式 |
|---|---|---|
| 核心客户 | 新品优先告知、专属权益 | 走一对一消息 |
| 潜力客户 | 用组合优惠拉高来店次数 | 先小范围试点再扩大 |
| 沉睡客户 | 一条带具体利益点的召回信息 | 走短信或社群 |
分层结果的更新节奏
会员是流动的，分层不是一次性的。建议每月重跑一次打分，观察组间流动：核心客户有没有滑向沉睡、新客转化率如何。把上月与本月的人数变化交给 AI 做对比分析，重点关注流失预警组的规模变化。每次重跑沿用同一套分档口径，前后结果才有可比性，口径变了就注明版本，避免把口径变化误读成客户变化。节奏别太密，客户行为以月为周期波动，每周重跑只会增加噪音。大促后加跑一次，大促带来的新客如何承接，正是分层最该回答的问题。
延伸阅读：客户分层与流失召回、会员体系与积分规则、门店会员复购怎么提。
重跑分层前的四项核对
- 客户标识先脱敏再交给 AI
- 退款单剔除，日期格式统一
- 抽两个熟客验证分组是否符合直觉
- 分档口径沿用上期，变了注明版本
- 大促后加跑一次，看新客承接
最容易漏的是抽熟客核对，分组看着合理，落到具体人身上才知道口径有没有偏。
没有专业软件也能做会员分层吗？
- 订单量很少的小店有必要分层吗？：客单结构简单时先做粗分，按「常客与生客」两组起步，等数据量上来再细化。
- 客户数据给 AI 安全吗？：敏感字段脱敏、选有数据保护承诺的工具，商业数据参考服务条款决定给多少，拿不准就不给。
- 打分档数每次不一样正常吗？：正常。AI 按数据分布切档，样本变化切分线会动，重要的是组内特征稳定而非档位数字一致。
