RFM模型是用户分层最经典的底层工具，1980年代由数据库营销先驱提出，核心是三个维度：R（最近一次消费时间）、F（消费频率）、M（消费金额）。三者组合可将用户划分为8类，比如「重要价值用户」（R高、F高、M高）和「重要挽留用户」（M高但R低）。文章提到的消费+毛利、消费+频次等矩阵，本质是对RFM的变体应用。理解RFM，才能看懂文章为什么反对「只看消费金额一刀切」——因为R和F揭示了用户活跃度和忠诚度，光看M会漏掉关键信息。

很多团队把RFM模型当成用户分层的万能钥匙，但运营中频频失效。第一个陷阱是只盯静态标签（历史消费金额），忽略行为事件的时间价值——高消费用户连续两个月没互动，却被当成热客推送同等话术。第二个陷阱是用「性别+年龄+地域」替代行为事件，分层结果很快过时。第三个陷阱是分了层却不动策略，导致高价值用户觉得没吸引力、普通用户嫌门槛高。真正有效的分层，不是分得细，而是分完能指导动作。

传统RFM模型依赖手工归类、静态规则，更新周期长、策略滞后。当下能看到的关键变量是：AI聚类建模（如K-Means、BERT）已经开始替代人工划线。腾讯游戏用BERT对《王者荣耀》用户分层后，留存预测准确率提升27%，高价值用户识别效率提升40%。AI分层的好处是能动态更新——用户行为变了，分群自动调整，不再依赖每月人工复盘。但拐点不在技术本身，而在企业是否愿意把「静态标签体系」升级为「实时行为模型」，这需要数据中台和业务逻辑的双重配合。

文章说「不要孤零零纠结8000还是8100」，但实操中这个问题恰恰最折磨人。一个更务实的追问是：阈值应该由业务动作反向推导，而非由数据分布决定。比如，如果运营策略是「推中级套装」，那阈值就设在套装价格线上；如果策略是「二八划分」，就用累计贡献占比80%的消费额作为分界线。真正该问的不是「多少算高」，而是「高多少能触发一个具体的运营动作」。