这是一个从交易数据反推用户价值的方法
RFM各项定义与影响现象 定义
R（recency）：最近一次消费
F（frequency）：一定时间内，消费频率
M（monetary）：一定时间内，消费金额
影响现象R：品牌记忆强度、品牌接触机会、回购周期
F：品牌忠诚度、品牌熟悉度、购买习惯养成
M：消费能力、产品认可度
RFM模型优缺点以及难点 优点
数据的可获得性
缺点滞后性、受行业影响、仅考虑用户的行为数量无法分析用户的行为
难点- 定义时间范围定义消费金额的区间范围根据用户消费种类定义激励策略
解决方法
- 根据行业和可运营群体最大数作参考采用均值的方法（受异常值影响较大）采用四分位数的方法（20%分位等等）采用打分法（取决于是划分用户层（不需要），还是求用户综合RFM得分（需要））最后根据划分人群、运营效果、活动规律、调整阈值来实现动态划分用户群组
主要参考指标
用户唯一标识、消费时间、消费金额
用户分层营销优化策略
| 分类 | R | F | M | 营销优化策略（参考） |
| 价值 | 高 | 高 | 高 | 提供个性化VIP服务 |
| 高 | 高 | 低 | 提供优惠活动，吸引客户提高客单价 | |
| 发展 | 高 | 低 | 高 | 指定客户忠诚度培养计划 |
| 高 | 低 | 低 | 提供试用活动，提供购买欲望 | |
| 保持 | 低 | 高 | 高 | 推送个性化的激励活动 |
| 低 | 高 | 低 | 调整宣传策略，设立门槛优惠方案 | |
| 挽留 | 低 | 低 | 高 | 主动联系客户，开展问卷调查 |
| 低 | 低 | 低 | 适当减少预算，降低营销成本 |
模型操作步骤
- 判定RFM各项意义是否适用于目标需求数据清洗汇总计算所得字段设立用户分层参考标准建立打分表的评分参数根据模型分类占比设立优化策略后期持续根据模型优化后的前后对比
影响RFM模型失效场景
季节性、商品特征、促销活动、节假日事件、用户生命周期
解决方法：根据业务特征、给特殊时间增加标识
注意事项
R值受行业客观消费频率影响F值受事件、节假日、活动、定期等因素影响M值受价格定位影响，对客户分层的作用相对较弱模型受行业影响时，F值可以替换成累计购买频率、R值可以替换成累计购买金额或平均客单价RFM各项判定值的高低，取决于值是否大于平均值（单行计算）用户群组划分受营销方案的可执行性影响可以利用AHP层次分析法判定RFM综合得分是否合理
参考文章：
RFM分析：如何进行有效的RFM模型搭建和分析？
数据分析八大模型：详解RFM模型
深入解读RFM模型-实战应用干货 - 简书
数据分析方法：RFM 模型
