一场召回活动带回了5%的用户，究竟算不算成功？答案取决于三件事：这些人是否因为干预才回来，回来的是不是有价值的用户，以及为此付出了多少成本。
因此，召回评估不能只盯着回流率。更完整的决策是：先用RFM识别值得投入的人群，再从增量回流、用户质量和成本三个维度比较策略，最后决定扩大、调整还是停止。
一、RFM解决的不是“谁会流失”，而是“谁值得召回”
流失预警模型往往擅长找到低活跃用户，却可能忽略一类更重要的人：过去活跃度高、消费或贡献也高，只是最近突然沉默。RFM正好补上价值维度：
- R（Recency）：距离最近一次消费或核心行为过去多久；
- F（Frequency）：一定周期内完成消费或核心行为的次数；
- M（Monetary）：一定周期内产生的消费金额或利润贡献。
例如，一名用户最近一次消费发生在20天前，过去90天消费3次，累计金额70元，可以记作 R=20，F=3，M=70。但三个数不能直接相加：单位不同，分布也往往高度偏斜。常见做法是按分位数把每个指标转为1—5分，再组合成人群标签。
其中要特别注意评分方向：R记录的是“时间间隔”，数值越小通常越好，因此最近消费的用户应获得更高分；F和M则通常越大越好。分位点也不能永久固定，应随业务规模、季节和观察窗口定期更新。
RFM并不只适用于电商。内容产品可把M替换为有效阅读、创作或订阅价值，社交产品可以使用关系链贡献和互动深度，工具产品可采用关键任务完成量。这时更准确的名字是RFV：最近行为、行为频率和价值贡献。
把流失风险与RFM结合，才能形成行动优先级：
| 用户状态 | 召回策略 |
|---|---|
| 高风险、高价值 | 优先召回，匹配流失原因并提供个性化承接 |
| 高风险、低价值 | 使用Push、站内协同等低成本渠道，严格控制补贴 |
| 低风险、高价值 | 以关系维护为主，避免过度触达本来会自然回流的人 |
| 低风险、低价值 | 降低频率或暂不干预，把资源留给增量空间更大的人群 |
RFM不是另一个流失模型。前者估计历史价值与关系强度，后者估计未来流失风险；两者结合，回答的才是“现在把资源投给谁”。
二、评估一项策略，要同时看回流、质量和成本
比较短信、厂商Push、换量、优惠券等策略时，可以使用召回策略气泡图：横轴是召回率，纵轴是召回用户质量，气泡大小代表成本。
横轴采用随机对照实验得到的增量召回率，衡量干预真正带来的回流提升：
没有对照组，自然回流会被算成策略贡献；只比较点击者和未点击者也会产生选择偏差，因为愿意点击的人本来就更可能回来。
纵轴的“用户质量”必须事先定义。它可以是召回后7/30日留存、核心行为完成率、付费率、毛利或预测LTV，不能用一次打开代替。对社交产品，可能是重新建立有效互动；对内容产品，可能是恢复稳定消费；对电商，则更适合观察利润而非GMV。
气泡大小也不只是券面金额。完整召回成本包括渠道费用、补贴核销、资源位机会成本、研发运营成本，以及退订、投诉和卸载造成的体验损失。可以进一步计算增量投资回报：
气泡图右上方通常代表召回率和用户质量都较好；在效果相近时，气泡更小的策略更值得推广。左下方策略应停止或重做；召回率高但质量低，可能是补贴吸引了短期套利者；质量高但召回率低，则可能是人群过窄或触达链路有损耗。图的价值不是选出“点击率冠军”，而是暴露每种策略真正的短板。
三、把评估变成持续迭代的闭环
一次可靠评估应固定人群口径、召回窗口和归因规则，并按RFM层级、流失时长和渠道分别观察结果。否则，高价值用户更集中的渠道天然占优，不同策略之间并不可比。
实验还要关注长期效应。高额优惠可能提高当天回流，却训练用户“等券再来”；频繁Push可能短期拉活，同时增加通知关闭和卸载。至少应同时观察增量核心行为、7/30日留存、单位增量召回成本以及负反馈。
最终，系统应将实验结果反哺下一轮分层：哪些RFM人群对哪种内容、渠道和补贴真正敏感，哪些人自然回流概率高，哪些人已经不值得继续打扰。下一次召回不再从全量群发开始，而是从已经验证过的“人群—策略—价值”组合开始。
召回评估的目标不是证明一场活动做得不错，而是建立资源配置机制：RFM识别价值，流失模型识别风险，随机实验识别因果，气泡图呈现回报。只有把这四层连接起来，召回率才会从一个表面指标，变成可以指导增长投入的经营决策。