数据挖掘应用案例：RFM模型分析与客户细分
RFM模型下构建核心客户识别与分类的指标-客户关系管理论文-企业管理论文-管理学论文
RFM模型下构建核心客户识别与分类的指标-客户关系管理论文-企业管理论文-管理学论文——文章均为WORD文档，下载后可直接编辑使用亦可打印——一、引言2014 年中国保险业全年保费收入突破2 万亿元，行业总资产突破10 万亿元。
《外资保险公司在中国的未来发展方向（2014）》报告认为中国在未来7 年保费收入平均年增长率约17%, 寿险公司的年度保费增速将超过20%,2015年中国保险市场规模将进入世界前三甲。
和西方发达国家相比，不论是老百姓保险意识还是商业化参保比例，都存在明显的差距；保险公司的客户关系管理仍存在不足。
通过对发达国家和地区的保险公司的经验借鉴，能够为我国的保险业发展带来重要启示。
台湾地区的客户关系管理（CRM）最早应用于银行业（Call Center）、电信业、保险业等。
根据台湾地区经济部商业司对当前台湾企业的顾客关系管理应用状况调查，金融业占80%（其中银行业占40%,保险业占27%），其他行业占20%.其他行业包括的类别则涵盖电讯服务业、航空业、信息服务业、汽车销售业、酒店业、百货批发业和电子产业等。
目前台湾地区六大行业约89%的企业已建立CRM 系统。
本文根据保险业的客户管理实践，结合台湾地区的保险业调研数据，基于RFM 模型构建核心客户识别与分类的指标，提出保险企业核心客户关系管理的构建过程与策略。
二、核心客户识别与分类客户关系管理首先必须进行核心客户的识别和分类。
现有研究根据客户对企业的利润贡献、重要性等不同维度，将客户划分为核心客户、关键客户、重要客户的概念。
其中核心客户是对企业具有特殊性的重要客户，也是企业收入或利润的主要来源。
因此客户关系管理首先要对客户的类型进行划分，并识别出具有重要贡献的核心客户。
1. 基于RFM 模型的核心客户识别。
RFM 模型最早出现于Arthur 和Hughes（1994）的研究，其核心思想是通过三个重要的客户行为指标，即近度R（最近购买时间，Recen-cy）、频度F （购买频率，Frequency）和值度M （购买金额，Monetary Value）判断客户价值并对客户进行分类. 国内外很多的研究者和企业都采用了RFM 模型进行客户的分类和管理，针对本文的研究内容和保险公司的实践，根据客户购买保险的近度、频度和值度三个指标对客户进行识别和分类。
利用RFM模型进行客户价值分析
利用RFM模型进行客户价值分析随着企业的发展，客户管理越来越成为企业重要的一个方面。
客户价值分析是一种常用的客户管理方法，利用RFM模型进行客户价值分析无疑是一种有效的方法。
RFM模型基于客户的最近一次购买时间、购买频率和购买金额等指标，将客户分为不同的层级，从而帮助企业了解客户的实际价值，制定有针对性的营销策略。
首先，我们来了解一下RFM模型的三个指标。
R（Recency）最近一次购买时间最近一次购买时间是指客户最近一次进行购买的时间，这个指标很好理解，因为任何客户购买活动的最近一次发生时间都可以作为依据，以此来衡量客户对企业的忠诚度和购买意愿。
F（Frequency）购买频率购买频率是指客户在一段时间内购买产品的次数，这个指标是衡量客户活跃度和忠诚度的重要标志。
F指标可以帮助企业找到具有较高忠诚度的客户，从而加强对这些客户的关系管理。
M（Monetary）购买金额购买金额指的是客户在购买产品时花费的金额，通过这个指标，企业可以了解每个客户的购买能力和支付意愿，并制定有针对性的价格政策。
接下来，我们来了解一下如何利用RFM模型进行客户价值分析。
1. 筛选RFM数据首先，企业需要收集所需的RFM数据。
对于大型企业来说，数据量可能很大，所以需要先筛选数据，去掉不必要的部分，然后对筛选后的数据进行分类整理。
可以将数据划分为购买时间、购买次数和购买金额三个部分，再分别按照大小进行排序，得到类别数值。
2. 划分客户类别根据R、F、M指标数值的高低，将客户划分为不同的类别。
这里的分类方式可以根据实际情况来制定，如TOP客户、一般客户、低价值客户、潜在客户等类型。
这些分类可以根据客户对企业的贡献程度和价值大小来设定。
在制定分类方案时，还需要考虑与所设定的企业营销目标的相关性。
最后，确定每个客户所属的类别。
3. 制定针对性的营销策略了解每个客户所属的类别后，企业就可以针对性地制定相应的营销策略。
比如，在对TOP客户进行关系管理时，要重点加强与这些客户的沟通交流，提供优质的服务，增强客户体验，以便使这些客户对企业有更高的忠诚度。
用户分析之RFM模型实践
用户分析之RFM模型实践RFM模型是一种用于用户分析的重要工具，它根据用户的最近消费时间（Recency）、消费频率（Frequency）和消费金额（Monetary）等指标来对用户进行细致的分类和分析。
通过RFM模型，企业可以更好地了解不同用户群体的特征和行为习惯，有针对性地进行市场营销和客户管理，提升企业的竞争力和盈利能力。
### 1. RFM模型概述RFM模型来源于市场营销领域，其核心思想是将用户按照他们的消费行为进行划分，以便更好地了解用户的特征和价值。
具体而言，Recency指标衡量用户最近一次消费距离现在的时间，Frequency指标衡量用户在一段时间内的消费频率，Monetary指标衡量用户在一段时间内的消费金额。
通过综合考量这三个指标，可以得出用户的RFM得分，从而实现用户的分类和个性化营销。
### 2. RFM模型的实践应用在实际应用中，企业可以通过RFM模型对用户进行如下分类：- **重要价值客户（重要性高、频率高、金额高）**：这类用户对企业的价值贡献最大，是企业的忠实粉丝和主要收入来源。
对于这类用户，企业可以采取精准投放广告、定制专属服务等方式来提升用户满意度和忠诚度。
- **潜在重要客户（重要性高、频率低、金额高）**：这类用户可能在某个时间点或某个特定产品上有高消费金额，是潜在的重要客户。
企业可以通过个性化推荐、购物引导等方式来促进其消费转化。
- **一般客户（重要性低、频率高、金额低）**：这类用户虽然消费频率高，但每次消费金额较低，对企业的价值贡献有限。
企业可以通过促销活动、会员福利等方式来提升其消费金额和忠诚度。
- **流失客户（重要性低、频率低、金额低）**：这类用户对企业的贡献度最低，可能已经流失或者不活跃。
企业可以通过激励回流、定向优惠等方式来唤醒其消费潜力。
### 3. RFM模型的实战案例以电商行业为例，某电商平台通过RFM模型对用户进行了分析和分类。
电商平台中的RFM模型分析与应用
电商平台中的RFM模型分析与应用随着网络技术的成熟和普及，电子商务越来越受到人们的欢迎，成为了人们经常使用的一种购物方式。
电商平台如天猫、京东、淘宝等巨头在市场上站稳了脚跟，同时也有很多小型电商平台涌现出来。
但如何更好地了解消费者需求、提升销售业绩，已经成为了所有电商平台必须面对的问题。
RFM模型作为一种较为成熟、可行的分析手段，在电商平台中的应用已经越来越受到重视。
一、RFM模型的简介RFM是英文表达：Recency(最近一次交易时间)、Frequency(订单频次)、Monetary(交易总金额)的缩写，是一种常用的消费者分层模型，能够帮助企业更好地了解顾客，提升客户价值。
其中，R 指数值越小表明最近一次交易时间越近，F指数值越大表明订单频次越高，M指数值越大表明交易总金额越高。
通过对RFM指标的分析，可以将顾客分为以下5类：1.重要价值用户(VIP): R值低、F值高、M值高；2.保持用户: R值低、F值高、M值中；3.潜力用户: R值低、F值中、M值低；4.流失用户: R值高、F值低、M值低；5.新客户: R值高、F值低、M值中。
通过将顾客分类，企业能够更准确地了解消费者需求，精准定位客户群体，有效进行市场营销活动，促进销售业绩提升。
二、RFM模型在电商平台中的应用电商平台的庞大用户群和海量的数据量，给RFM模型的应用提出了更高的要求，但也同时为RFM模型在电商平台中提供了更多的应用场景和维度。
1.效果评估在电商平台中，RFM模型通过对历史销售数据的分析，给出的客户分类结果可以用作评估市场营销活动的效果。
如一家电商平台在打折活动期间，对不同类别的用户发放不同的折扣券，比如在RFM指标高的顾客中发放高额优惠券，而在RFM指标低的顾客中发放低额优惠券，在活动结束后，可以通过对销售数据的分析评估其效果，并结合分类结果进行调整，从而提升下一次活动的效果。
2.客户细分通过RFM模型的分析，可以将电商平台的用户细分为不同的层级，根据不同层级的用户，制定不同的营销策略。
数据分析-RFM模型用户分析
数据分析-RFM模型⽤户分析RFM模型根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有3个神奇的要素，这3个要素构成了数据分析最好的指标：最近⼀次消费 (Recency)消费频率 (Frequency)消费⾦额 (Monetary)上⾯的三个标签通过字⾯意思⽐较好理解,顾名思义RFM模型中的,R=Recency,F=Frequency,M=MonetaryRFM模型客户细分1.数据筛选分组为了得到客户最近⼀次消费(Recency)、消费频率(Frequency)、消费⾦额(Monetary)这三个指标的数值进⾏筛选分组（以下为⼀个⽰例）。
消费(Recency)——最近⼀次会员来店铺购买的时间A、⼀周以前B、2周以前C、3周以前D、⼀个⽉前消费频率(Frequency)——⼀年内在店铺购买的次数A、1次B、1-3次C、3-5次D、5次以上对于消费⾦额(Monetary)——单次消费⾦额A、50元以下B、50-150元C、150-300元D、300元以上2.数据处理处理步骤如下：①将所有客户按照Recency的值，由⼩到⼤排列，以50%为⼀群，依次给予2,1分。
②再将所有客⼾按照Frequency的值，由⼤到⼩排列；以50%为⼀群，依序给予2,1分。
③最后将所有客⼾按照Monetary的值，由⼤到⼩排列；以50%为⼀群，依序给予2,1分。
整合得到8种组合：2-2-2：⾼价值客户；2-1-2：重点发展客户1-2-2：重点保持客户；1-1-2：重点挽留客户；1-1-1：⽆价值客户；其余三种组合均属于⼀般客户。
现在我们来简单归纳⼀下,RFM模型中,我们重点研究的就是以上8种⽤户(⽤排列组合2*2*2=8种,很好理解)⾥⾯的有明显偏向的5种⽤户.前⾯的4种⽤户,⼊选研究对象,总概括的就是愿意掏钱的客户.这下就很好记了,RFM⾥⾯的M已经确定了,要选掏钱的,R,F各有两种选择,也就是总共4种类型然后再按R来分,打分⾼的先排2 2 2 这种客户"最近购买(r),⽽且经常购买(F),每次花钱的⾦额还挺⼤(M) 毫⽆疑问这个客户是⾼价值的2 1 2 此客户最近购买,买的次数不多,但每次花费的⾦额⽐较⼤;那么遇到这种客户,证明他对特定品牌产品感兴趣,要做的是怎么让他经常来买. 所以这种客户不难理解是应该重点发展的1 2 2 此客户可能不是⼀直关注产品,但是买的次数⽐较频繁,每次花费的⾦额也挺⼤.理解:证明这个客户是对产品的需求量⽐较⼤,也舍得掏钱,对品牌不是很关注的,也许今天到A品牌商家购买的,明天就到B品牌商家购买去了.因此我们要做的是,要让客户保留对我们品牌产品的兴趣.1 12 此客户⽐较明显就是那种⽐较懒惰型的客户,要⽤到的时候再买,⽽且⼀次性买⽐较多,平时就很少关注和购买了.对于这种客户,你不知道他下⼀次购买的还是不是本公司品牌的产品,可能需要在他购买⼀段时间后提醒他我们产品有优惠活动,来提起他的购买欲望.因此属于需要挽留型的客户1 1 1 就不多说了,是临时过客其他的客户没有明显的特征,主要是不怎么掏钱,是薅⽺⽑型的,你再怎么打主意都从他⾝上挣不到多少钱的,就归为⼀般客户.理解完后,就根据打分,把所有客户分类好,然后提取出来我们重点研究的这⼏种客户来做相应的措施;2 2 2⾼价值客户,基本上不⽤太担⼼,他会⾃⼰来购买2 1 2 重点发展型的客户想办法加⼤他的购买频率1 2 2重点保持型客户让他保持对我们品牌产品的兴趣1 1 2重点挽留客户发⼀些我们品牌的信息给他,等他想起来要购买类似产品的时候,第⼀时间想到的是我们品牌1 1 1 ⽆价值的客户不⽤花精⼒去跟进这种类型的客户,投⼊和产出⽐不值得.。
RFM分析步骤基于RFM模型的客户细分
RFM分析步骤基于RFM模型的客户细分RFM（Recency, Frequency, Monetary）分析是一种常用于客户细分的方法，它根据客户的购买行为来评估客户的价值，并将客户分成不同的组。
以下是RFM分析的基本步骤：步骤一：数据准备首先，需要收集客户的购买数据，包括每个客户的购买日期、购买频率以及购买金额。
这些数据可以从购买记录、交易日志或者其他相关数据库中获取。
步骤二：计算R值R值表示客户的最近一次购买的时间间隔。
计算每个客户最近一次购买与当前日期之间的时间间隔，并进行排名和分组。
通常情况下，R值越小，表示客户最近购买时间越近，价值越高。
步骤三：计算F值F值表示客户的购买频率，即在一定时间内的购买次数。
计算每个客户在一定时间内的购买次数，并进行排名和分组。
通常情况下，F值越大，表示客户购买频率越高，价值越高。
步骤四：计算M值M值表示客户的购买金额，即客户在一定时间内的总消费金额。
计算每个客户在一定时间内的购买总金额，并进行排名和分组。
通常情况下，M值越大，表示客户购买金额越高，价值越高。
步骤五：分组和细分将客户根据R、F和M的值进行分组和细分。
可以根据具体情况，将每个指标的排名分成几个等级，例如将R值分为五个等级（1为最近购买，5为最久购买），将F值和M值分别分为五个等级（1为最低频率或金额，5为最高频率或金额）。
然后，将每个客户的R、F和M值对应的等级组合起来，形成一个RFM等级，用于表示客户的综合价值。
步骤六：分析和行动分析每个RFM等级所代表的客户特征和行为，并根据细分结果制定相应的营销策略和行动计划。
例如，对于RFM等级为高的客户，可以开展定制化的促销活动，提供更高价值的服务和产品；对于RFM等级为低的客户，可以通过一些刺激措施来唤回流失客户。
总结：RFM分析是一种简单有效的客户细分方法，通过评估客户的购买行为和价值，可以帮助企业识别出不同价值的客户群体，并制定针对性的营销策略。
数据挖掘应用案例RFM模型分析与客户细分
数据挖掘应用案例RFM模型分析与客户细分RFM模型分析与客户细分是一种常见的数据挖掘应用案例，用于帮助企业理解其客户群体、挖掘潜在商机以及制定有效的市场推广策略。
RFM模型通过对客户最近一次购买时间（Recency）、购买频率（Frequency）以及购买金额（Monetary）进行分析，将客户分成不同的细分群组，以便企业可以有针对性地开展营销活动。
首先，我们来看看如何通过RFM模型分析对客户进行细分。
1. Recency（最近一次购买时间）：根据客户最近一次购买时间的间隔，可以将客户分为活跃客户、不活跃客户以及休眠客户等不同群组。
活跃客户是指最近购买时间间隔较短的客户，他们对于企业来说非常有价值，因为他们可能是经常下单的忠实客户，或者是对新产品感兴趣的潜在客户。
不活跃客户是指最近购买时间间隔较长的客户，他们的购买意愿降低，可能需要通过一些特殊的优惠措施来刺激其再次购买。
休眠客户是指最近购买时间间隔很长的客户，他们已经很久没有购买了，通常需要采取一些激励举措才能重新激活他们的购买兴趣。
3. Monetary（购买金额）：根据客户的购买金额，可以将客户分为高价值客户、中等价值客户以及低价值客户等不同群组。
高价值客户是指购买金额较大的客户，他们对于企业来说非常有价值，可以为企业带来较高的利润。
中等价值客户是指购买金额适中的客户，他们对于企业来说也是重要的资产，可以通过特殊的优惠措施来提升他们的购买金额。
低价值客户是指购买金额较小的客户，他们通常需要通过一些激励措施来提高其购买金额。
通过对客户的Recency、Frequency和Monetary进行综合分析，可以将客户分为不同的细分群组，例如：1.VIP客户群：最近购买时间较短、购买频率较高、购买金额较大的客户，是企业最重要的客户群体。
企业可以通过特殊的服务和优惠措施来保持他们的忠诚度，并提高他们的购买额。
3.潜力客户群：最近购买时间较短、购买频率较低、购买金额较大的客户，虽然购买频率较低，但购买金额较高，有很大的潜在商机。
利用RFM模型进行市场客户价值分析
利用RFM模型进行市场客户价值分析RFM模型是一种用于市场客户价值分析的常用工具，它可以帮助企业了解客户的购买行为和价值，进而制定更加精准的营销策略。
本文将围绕RFM模型展开，分析其基本概念、应用方法以及价值。
RFM模型是由最近一次购买时间（Recency）、购买频率（Frequency）和购买金额（Monetary）三个指标构成的。
通过对这三个指标的综合分析，可以将客户划分为不同的类别，进而确定每个类别的特点和价值。
首先，我们来详细了解RFM模型的三个指标。
1. Recency（最近一次购买时间）：指客户最近一次购买产品或服务的时间间隔。
通常情况下，最近购买的客户更有可能继续购买，因此，这个指标可以反映客户的忠诚度和购买意愿。
2. Frequency（购买频率）：指客户在一段时间内购买产品或服务的次数。
购买频率高的客户可能对企业的产品或服务有更高的满意度，并愿意成为忠实的重复购买者。
3. Monetary（购买金额）：指客户在一定时间内购买产品或服务所花费的金额。
购买金额高的客户通常具有较高的消费能力和消费需求，对企业的营业额贡献较大。
在RFM模型中，我们将每个指标进行分组打分，并根据打分情况对客户进行综合评估。
常见的分组方法有等距分组、百分比分组和K-means聚类分组等。
通过分组打分和综合评估，我们可以将客户划分为以下几个类别：1.重要价值客户（最高得分）：这类客户最近购买时间短、购买频率高且购买金额较大。
他们是企业的忠实客户，对企业的贡献最大，因此需要加强维护和挖掘。
2.重复购买客户（次高得分）：这类客户最近购买时间较短，购买频率高，但购买金额较低。
虽然他们的购买力不如重要价值客户，但是他们的忠诚度高，有较大的潜力成为重要价值客户。
3.高消费客户（次低得分）：这类客户最近购买时间短，购买频率低但购买金额高。
他们的消费能力较强，对企业的贡献较大，但是他们的忠诚度和购买频率有待提高。
4.低价值客户（最低得分）：这类客户最近购买时间长、购买频率低且购买金额较低。
RFM分类方法及模型
RFM顾客分类方法及模型Recency：理论上，上一次消费时间越近的顾客应该是比较好的顾客，对提供即时的商品或是服务也最有可能会有反应。
如果我们能让消费者购买，他们就会持续购买。
Frenquency：消费频率是顾客在限定的期间内所购买的次数。
我们可以说最常购买的顾客，忠诚度相对高于其它顾客。
Monetary：消费金额的意义不言而喻。
一、RFM分类：（参考：Arthur Hughes 顾客五等分模型）1、查询出一年时间内（以查询时间向前推一年计算）所有VIP顾客的最近一次购买时间；2、将靠前（离查询时间最近）20％标记为5，前20％－40％，标记为4，前40％－60％，标记为3，前60％－80％，标记为2，前80％－100％，标记为1。
依次类推，将此项上所有顾客分成5－1五等分；3、查询出在一年内所有VIP顾客的消费频次及购买金额，已同样的方法划出5等并进行5－1的标记；4、将R、F、M三项对应到单个顾客，最终每个顾客将出现一个由三个数字组成的数组；5、将每个顾客对应的三位数相加，作为顾客价值的得分，进行标记。
二、顾客价值及流失监控模型1、顾客价值模型理论上来说，同等的资源投入的情况下，一名超优质顾客的回报将会是优质顾客的5倍，可以推出，在资源有限的前提下，满足顾客的顺序应该也是自上而下的： 1） 要求系统对每个顾客进行评分并归类2） 评分及归类以分店为单位（按照三月内消费次数最高分店计算，如果出现两店消费次数一样算为老店顾客）2、 流失顾客监控模型1 2 3 4 5MR1 2 3 4 5由图可以看出，只有在右下象限的顾客是最需要重点关注并对其进行挽留的，顾客流失项目主要是对此类顾客进行：1）要求系统能自动对各分店此类顾客进行自动标记；R ≥3且M ≥3 ：高价值忠诚 R ＜3且M ≥3 ：高价值流失R ＜3且M ＜3 ：低价值流失 R ≥3且M ＜3 ：低价值忠诚 2）自动显示此类顾客数量及占比情况； 3）能够批量查询此类顾客单个基本资料； 4）查询结果可以导出。
RFM模型在电信行业的应用
RFM模型根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：●最近一次消费(Recency)●消费频率(Frequency)●消费金额(Monetary)最近一次消费最近一次消费意指上一次购买的时候——顾客上一次是几时来店里、上一次根据哪本邮购目录购买东西、什么时候买的车，或在你的超市买早餐最近的一次是什么时候。
理论上，上一次消费时间越近的顾客应该是比较好的顾客，对提供即时的商品或是服务也最有可能会有反应。
营销人员若想业绩有所成长，只能靠偷取竞争对手的市场占有率，而如果要密切地注意消费者的购买行为，那么最近的一次消费就是营销人员第一个要利用的工具。
历史显示，如果我们能让消费者购买，他们就会持续购买。
这也就是为什么，0至6个月的顾客收到营销人员的沟通信息多于31至36个月的顾客。
最近一次消费的过程是持续变动的。
在顾客距上一次购买时间满一个月之后，在数据库里就成为最近一次消费为两个月的客户。
反之，同一天，最近一次消费为3个月前的客户作了其下一次的购买，他就成为最近一次消费为一天前的顾客，也就有可能在很短的期间内就收到新的折价信息。
最近一次消费的功能不仅在于提供的促销信息而已，营销人员的最近一次消费报告可以监督事业的健全度。
优秀的营销人员会定期查看最近一次消费分析，以掌握趋势。
月报告如果显示上一次购买很近的客户，(最近一次消费为1个月)人数如增加，则表示该公司是个稳健成长的公司；反之，如上一次消费为一个月的客户越来越少，则是该公司迈向不健全之路的征兆。
最近一次消费报告是维系顾客的一个重要指标。
最近才买你的商品、服务或是光顾你商店的消费者，是最有可能再向你购买东西的顾客。
再则，要吸引一个几个月前才上门的顾客购买，比吸引一个一年多以前来过的顾客要容易得多。
营销人员如接受这种强有力的营销哲学——与顾客建立长期的关系而不仅是卖东西，会让顾客持续保持往来，并赢得他们的忠诚度。
样例 联邦快递客户资料RFM分析 案例
联邦快递客户资料RFM分析在做一些行销咨询项目中，我发现普遍的一个问题就是面对已经积累的客户，企业不知道如何下手。
特别是在老客户的资料方面。
用我们的行话：老客户的资料是最有价值的“第六媒”。
这对于企业来说，不会合理利用这些已经存在的资源的确会造成很大的浪费。
况且这几个企业都是和互联网有关，而网络是最好的数字化媒介，可以跟踪，计算客户的各种指标。
而在此方面，很多跨国企业无疑走在了前面，最简单的方法就是RFM方法(下附RFM的说明)，即最近一次购买的时间，购买的频率，以及购买金额，下面以联邦快递的做法做个说明。
首先联邦快递利用RFM的变化来评断客户的贡献额，计分的方法是：将单一客户过去三个月内消费金额乘上两倍，再加上过去3至6个月间该客户的消费金额，接下来联邦快递利用DataMining 中的Cluster分析，将所有客户分为七大族群，每个族群再依贡献额细分为十等分，这七大族群分别是：˙贡献额最高的10%稳定客群˙过去六个月流失的中贡献额客群˙低贡献额的季节性客群˙高贡献额的成长客群˙中贡献额的稳定客群˙低贡献额且在过去六个月内的流失客群˙低贡献额但刚回复交易的客群联邦快递观察在过去的两年内，客户如何在七个族群中移动，以及客户如何在十等分内上下移动，一旦有任何的行为模式被分析出来，联邦快递便针对每一个族群发展一套客户策略。
举例来说：最顶尖的10%稳定客群，是最佳而且是最有价值的客户，联邦快递的策略就是想尽办法留住他们，对他们提供最好的服务，以避免这群客户的流失。
高贡献额的成长客群是指消费金额成长超过15倍的客户们，联邦快递投入行销预算找出导致他们成长的原因，以协助其它客户提高贡献额。
过去六个月流失的中贡献额客群，是指在过去六个月贡献额降低90%的客户，这群转身而去的客户，让联邦快递损失许多应得的利润，因此必须找出什么地方出错？联邦快递透过电话行销与客户沟通来调查原因，以挽回客户的心。
找出季节性的低贡献额客群是非常有用的，因为这些客户只在一年的某些季节交易，花费行销预算去刺激他们在其他时期交易将是十足的浪费。
数据挖掘应用案例：RFM模型分析与客户细分
数据挖掘应用案例：R F M模型分析与客户细分Revised by BETTY on December 25,2020数据挖掘应用案例：RFM模型分析与客户细分分类：| 标签：2012-01-21 21:39阅读(16854)这里，我先给各位朋友拜年，祝大家新春快乐！兔年就要过去了，本命年的最后一天再不更新博客有点对不住大家！正好刚帮某电信行业完成一个数据挖掘工作，其中的RFM模型还是有一定代表性，就再把数据挖掘RFM模型的建模思路细节与大家分享一下吧！手机充值业务是一项主要电信业务形式，客户的充值行为记录正好满足RFM模型的交易数据要求。
根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。
我早期两篇博文已详述了RFM思想和IBM Modeler操作过程，有兴趣的朋友可以阅读！RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。
一般原始数据为3个字段：客户ID、购买时间（日期格式）、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，进而可以进行客户细分，客户等级分类，Customer Level Value得分排序等，实现数据库营销！这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。
本次分析用的的软件工具：IBM SPSS Statistics 19，IBM SPSS ，，EXCEL和PPT因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。
先说说对海量数据挖掘和数据处理的一点体会：（仅指个人电脑操作平台而言）一般我们拿到的数据都是压缩格式的文本文件，需要解压缩，都在G字节以上存储单位，一般最好在外置电源移动硬盘存储；如果客户不告知，你大概是不知道有多少记录和字段的；Modeler挖掘软件默认安装一般都需要与C盘进行数据交换，至少需要100G 空间预留，否则读取数据过程中将造成空间不足海量数据处理要有耐心，等待30分钟以上运行出结果是常有的现象，特别是在进行抽样、合并数据、数据重构、神经网络建模过程中，要有韧性，否则差一分钟中断就悲剧了，呵呵；数据挖掘的准备阶段和数据预处理时间占整个项目的70%，我这里说如果是超大数据集可能时间要占到90%以上。
rfm模型分类的8种客户类型营销策略
rfm模型分类的8种客户类型营销策略RFM模型是一种经典的客户分析工具，通过对客户的购买行为进行细分，可以帮助企业识别不同类型的客户，并制定相应的营销策略。
根据RFM模型的特征，我们可以将客户分为以下八种类型：1. 最有价值客户（Best Customers）：这些客户在最近的购买中花费了最多的钱，购买频率也很高。
他们是企业的忠实顾客，具有较高的生命周期价值。
针对这些客户，企业应该主要关注保持他们的忠诚度，提供更优质的服务和个性化的购物体验，以及通过定期的促销活动来激发他们的购买欲望。
2. 最近活跃客户（Recency Customers）：这些客户最近购买了产品或服务，但他们的购买频率相对较低。
他们可能是新客户，也可能是之前购买过但暂时停止购买的客户。
针对这些客户，企业可以通过给予他们特别的优惠或奖励来激励他们再次购买，以增加他们的购买频率。
3. 最频繁客户（Frequency Customers）：这些客户购买产品或服务的频率非常高，但他们的购买金额相对较低。
他们可能是追求低价商品或者经常购买日常消耗品的客户。
企业可以采取批量购买优惠、会员计划或者定期促销活动等方式来吸引他们增加购买金额，提高他们的忠诚度。
4. 大金额客户（Monetary Customers）：这些客户在购买时花费的金额相对较高，但购买频率可能较低。
他们倾向于购买高价值的产品或服务。
对于这些客户，企业应该提供专属的高价值服务，例如提供个性化的推荐、定制产品或服务等，以及适时发放特别折扣或礼品来激励他们的继续购买。
5. 再次挽留客户（Retention Customers）：这些客户可能已经有一段时间没有购买了，他们的价值可能有所下降。
针对这些客户，企业应该采取挽留措施，例如发送个性化的优惠券或推送相关商品的促销信息，以激发他们再次购买消费的欲望。
6. 新获得客户（New Customers）：这些客户是最近加入的新客户。
他们对企业的了解不够深入，因此企业应该关注对他们进行介绍和教育，提供适切的购买引导，以促成首次购买。
RFM模型【用数据分析客户】【数据分析工具】
>90
F
累计单数 (忠诚度)
<10
M
累计交易金额 (收入)
<3000
数据来源：XXX系统 研究对象：我们的客户 时间跨度：2020.XXXXX-20XX.XXXXX
2分 60~90 10~49 3000-9999
3分
4分
30~59
15~29
50~99
100~500
10000~49999 50000~100000
“**********************”
交易金额大，潜在的有价值客户。需要挽留 交易次数大，且最近有交易。需要挖掘 最近有交易，接触的新客户，有推广价值 交易次数多，但是贡献不大，一般维持
FM值均低过平均值，最近也没再发货相当于流失
已有客户有XX.XX%成为重要客户
XXX个客户中，XXX个客户成为重要价值客户，占总体客户的XX.XX%
已有客户 重要价值客户 重要唤回客户 重要深耕客户 重要挽留客户
潜力客户 新客户
一般维持客户
流失客户
客户数 341 43 7 8 12 16 8
42
占比 71.49% 9.01% 1.47% 1.68% 2.52% 3.35% 1.68%
8.81%
已有客户有中存在流失客户 XXX个存量成员中，XXX个客户成为重要价值客户，占总体客户的XX.XX%
XXX个存量成放员款中客，户XXX个客户成为重要价值客户，占总体客客户户数的XX.XX%
Recency FrequencyMonetary 区别。
距离最近一次交易 交易频率
交易金额
1.重要价值客户
5.潜力客户
2.重要唤回客户
6.新客户
RFM客户细分法
二、RFM权重分析对RFM各变量的指标权重问题,Hughes,Arthur认为RFM在衡量一个问题上的权重是一致的,因而并没有给予不同的划分。
而Stone,Bob通过对信用卡实证分析,认为各个指标的权重并不相同,应该给予频度最高,近度次之,值度最低的权重[4]。
认为针对不同的行业甚至不同的公司,频度、近度、值度的权重均存在一定差异,因此需要采用科学的方法进行分析.对此,以层次分析法为支撑,结合专家咨询方式来解决指标权重的确定问题。
研究邀请了被研究的某电信企业的两位地区经理、两位市场营销人员和一位长期客户应用文献[5]的标度含义对RFM各指标权重进行比较分析。
在分别得到五位评价者的两两比较矩阵后,采取取平均的方法得到下表的评价矩阵。
评价矩阵上表所示的两两比较矩阵的一致性比例C。
R < 0.1,表明该判断矩阵的一致性可以接受。
由上表得出RFM各指标相对权重为[W F,W R,W M]=[0.221,0.341,0.439]。
其中M的权重最大,即专家们认为客户交费金额的高低是影响顾客价值高低的最主要因素。
三、客户分类1.基于K-均值聚类法的客户分类过程应用K-均值聚类法[6],,以加权RFM为指标,将具有相近的顾客终身价值的客户进行分类,基本思路如下:(1)应用AHP法确定RFM各个指标的权重,并将各个指标加权。
(2)将RFM各指标标准化。
(3)确定聚类的类别数量m。
(4)应用K-均值聚类法对加权后的指标进行聚类,得到m类客户。
(5)将每类客户的RFM平均值和总RFM平均值作比较,每次对比有两个结果:大于(等于)平均值和小于平均值,通过对比得到每类客户RFM的变动情况。
(6)根据每个客户类别的RFM的变动情况分析该客户类别的性质,如该客户类别是倾向于忠诚的还是倾向于背离的,然后在此基础上定义客户类型。
(7)对每类客户标准化后的各个指标取平均,将平均值加权求和,得到每类客户的顾客终身价值总得分,分析各类顾客终身价值的差别。
基于改进RFM模型的客户价值细分及客户关系管理提升策略研究
采用改进的rfm模型或其他有效的客户价值评估方法，对客户进行细分，识别出高价值客户和低价值客户。
针对不同客户价值的CRM策略制定
针对高价值客户，制定个性化的服务、优惠政策和增值活动，以保持其满意度和忠诚度；针对低价值客户，提供基本的客 户服务，促进其向高价值客户的转化。
基于捷性和满意度。
基于客户价值的CRM提升策略评估与优化
效果评估
通过收集客户反馈、分析销售数据和营销活动成果等方 式，评估CRM提升策略的实施效果，识别成功和失败的 案例。
策略优化
根据评估结果和实际需求，对CRM提升策略进行调整和 优化，以提高策略的有效性和针对性。
持续改进
01
营销活动策划与执行
根据不同客户群体的特点和需求，策划有针对性的营销活动，如针对
高价值客户的会员活动、针对低价值客户的优惠活动等。
02
客户服务优化
提升客户服务人员的专业素质，提供优质的售前、售中、售后服务，
关注客户反馈和投诉，及时改进服务流程。
03
渠道拓展与创新
通过多元化的渠道，如线上平台、社交媒体、线下活动等，扩大与客
将评估和优化后的策略应用于实践，持续关注市场变化 和客户需求，不断改进和完善CRM提升策略。
06
研究结论与展望
研究结论
客户价值细分
通过采用改进的RFM模型，对 客户进行细分，识别出高价值客 户和低价值客户，为制定客户关 系管理策略提供依据。
客户关系管理提升 策略
针对不同价值的客户，制定个性 化的关系提升策略，包括增加购 买频率、提高购买金额、提供优 惠活动等，以增强客户忠诚度和 满意度。
分和客户关系管理提升的实践和经验。
数据来源
rfm客户分类法案例
rfm客户分类法案例RFM客户分类法是一种常用的客户细分方法，通过评估客户的最近一次消费(Recency)、消费频率(Frequency)和消费金额(Monetary)三个指标，将客户划分为不同的类别。
以下是一个具体的RFM客户分类法案例：假设某电商平台的客户数据如下：1.最近一次消费(Recency)：根据客户的最近一次购买时间，将客户划分为不同的类别。
例如，最近一次购买时间在一个月内的客户为R1类客户，最近一次购买时间在三个月内的客户为R2类客户，最近一次购买时间在六个月内的客户为R3类客户，最近一次购买时间超过六个月但一年以内的客户为R4类客户，超过一年的客户为R5类客户。
2.消费频率(Frequency)：根据客户在一定时间内购买的次数，将客户划分为不同的类别。
例如，购买次数在1-3次之间的客户为F1类客户，购买次数在4-6次之间的客户为F2类客户，购买次数在7-10次之间的客户为F3类客户，购买次数超过10次的客户为F4类客户。
3.消费金额(Monetary)：根据客户在一定时间内购买的订单金额，将客户划分为不同的类别。
例如，订单金额在1000-3000元之间的客户为M1类客户，订单金额在3001-5000元之间的客户为M2类客户，订单金额在5001-8000元之间的客户为M3类客户，订单金额超过8000元的客户为M4类客户。
根据以上三个指标，可以将客户划分为16个不同的类别，具体如下：1.R1F1M1：最近一次购买时间在一个月内，购买次数在1-3次之间，订单金额在1000-3000元之间2.R1F1M2：最近一次购买时间在一个月内，购买次数在1-3次之间，订单金额在3001-5000元之间3.R1F1M3：最近一次购买时间在一个月内，购买次数在1-3次之间，订单金额在5001-8000元之间4.R1F1M4：最近一次购买时间在一个月内，购买次数在1-3次之间，订单金额超过8000元5.R2F2M1：最近一次购买时间在三个月内，购买次数在4-6次之间，订单金额在1000-3000元之间6.R2F2M2：最近一次购买时间在三个月内，购买次数在4-6次之间，订单金额在3001-5000元之间7.R2F2M3：最近一次购买时间在三个月内，购买次数在4-6次之间，订单金额在5001-8000元之间8.R2F2M4：最近一次购买时间在三个月内，购买次数在4-6次之间，订单金额超过8000元9.R3F3M1：最近一次购买时间在六个月内，购买次数在7-10次之间，订单金额在1000-3000元之间以此类推...根据客户的RFM值划分的类别可以用于制定不同的营销策略。
基于RFM模型的汇美妆园客户细分研究
基于RFM模型的汇美妆园客户细分研究RFM模型是一种经典的客户细分方法，通过对客户的最近购买频率（Recency）、购买金额（Frequency）和购买数量（Monetary）进行分析，将客户分成不同的细分群体，帮助企业更好地了解客户需求，优化营销策略。
汇美妆园是一家专注于化妆品和护肤品销售的电商平台，随着电商行业的竞争日益激烈，客户细分成为提升销售和客户满意度的关键。
通过RFM模型的分析，我们可以将汇美妆园的客户细分为“忠实客户”、“潜在客户”、“一次性客户”和“流失客户”，对这些客户群体采取不同的营销策略，提高客户留存率和购买频率。
首先，我们需要对汇美妆园的客户数据进行整理和分析，得出每个客户的RFM指标值。
Recency指标反映了客户最近一次购买的时间距离现在的天数，Frequency指标代表客户的购买频率，Monetary指标则表示客户的购买金额。
通过将这三个指标进行综合分析，可以得出每个客户的综合RFM值。
在进一步分析过程中，我们可以根据RFM值将客户分成不同的细分群体。
忠实客户通常具有较高的RFM值，他们经常购买汇美妆园的产品，且购买金额较高，是企业的重要支柱。
针对这部分客户，企业可以推出会员专属优惠活动、提供定制化服务等方式，进一步提升他们的忠诚度。
一次性客户指的是只购买一次或极少次数的客户，他们的RFM值可能较低。
对于这部分客户，企业可以通过追踪购买行为，了解其购买偏好，然后推出定制化产品或服务，提高他们的复购率。
通过对汇美妆园客户的RFM模型分析，可以了解客户的购买行为、偏好和价值，帮助企业更好地把握客户需求，制定有效的营销策略，提高客户忠诚度和购买频率，实现企业的可持续发展。
RFM模型是客户细分的有效工具，希望汇美妆园可以通过RFM模型的应用，提升客户满意度和销售业绩。
rfm案例和应用
rfm案例和应用RFM（最近一次购买时间、购买频率、购买金额）是一种常用的客户分析模型，用来评估客户价值和优化营销策略。
下面列举了10个基于RFM模型的案例和应用。
1. 客户分层：根据RFM模型，将客户分为高价值、中价值和低价值客户。
高价值客户是最近购买、购买频率高、购买金额大的客户，针对这部分客户可以采取个性化的营销策略，提供更好的服务和优惠，以增加他们的忠诚度和购买力。
2. 新客户开发：通过RFM模型可以分析新客户的购买行为，了解他们的购买习惯和购买动机。
根据新客户的RFM指标，可以制定相应的营销计划，例如发送欢迎邮件、提供首次购买折扣等，以促使新客户尽快再次购买。
3. 休眠客户唤醒：RFM模型可以帮助识别休眠客户，即最近一次购买时间较长、购买频率较低、购买金额不高的客户。
通过针对性的营销活动，如发送个性化的优惠券、提供定制化的产品或服务等，可以唤醒这些休眠客户，重新激发他们的购买兴趣。
4. 产品推荐：根据客户的购买历史和RFM指标，可以对客户进行个性化的产品推荐。
例如，对于购买频率较高但购买金额较低的客户，可以推荐价格较低但频繁购买的产品，以增加他们的购物次数和总体购买金额。
5. 营销策略优化：通过RFM模型，可以对不同RFM组合的客户群体进行分析，了解他们的消费行为和购买偏好。
根据不同客户群体的特点，可以制定相应的营销策略，例如对高RFM客户提供高端产品和增值服务，对中RFM客户提供促销活动，对低RFM客户提供重点关注和个性化咨询。
6. 客户生命周期管理：RFM模型可以帮助企业了解客户的生命周期，从而制定相应的营销策略。
通过分析不同RFM组合的客户在不同阶段的表现，可以确定客户的流失风险和挽留策略，以及客户的升级潜力和促进策略。
7. 促销活动评估：通过RFM模型，可以对促销活动的效果进行评估。
比如，可以通过比较促销活动前后不同RFM组合客户的变化，来评估促销活动对不同客户群体的影响和效果，从而优化促销活动的设计和执行。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据挖掘应用案例：RFM模型分析与客户细分
分类：数据挖掘 | 标签：市场研究数据挖掘RFM模型
2012-01-21 21:39阅读(16854)评论(9)
这里，我先给各位朋友拜年，祝大家新春快乐！
兔年就要过去了，本命年的最后一天再不更新博客有点对不住大家！正好刚帮某电信行业完成一个数据挖掘工作，其中的RFM模型还是有一定代表性，就再把数据挖掘RFM 模型的建模思路细节与大家分享一下吧！手机充值业务是一项主要电信业务形式，客户的充值行为记录正好满足RFM模型的交易数据要求。
根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。
我早期两篇博文已详述了RFM思想和IBM Modeler操作过程，有兴趣的朋友可以阅读！
RFM模型：R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。
一般原始数据为3个字段：客户ID、购买时间（日期格式）、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，进而可以进行客户细分，客户等级分类，Customer Level Value得分排序等，实现数据库营销！
这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。
本次分析用的的软件工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT
因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。
先说说对海量数据挖掘和数据处理的一点体会：（仅指个人电脑操作平台而言）
•一般我们拿到的数据都是压缩格式的文本文件，需要解压缩，都在G字节以上存储单位，一般最好在外置电源移动硬盘存储；如果客户不告知，你大概是不知道有多
少记录和字段的；
•Modeler挖掘软件默认安装一般都需要与C盘进行数据交换，至少需要100G空间预留，否则读取数据过程中将造成空间不足
•海量数据处理要有耐心，等待30分钟以上运行出结果是常有的现象，特别是在进行抽样、合并数据、数据重构、神经网络建模过程中，要有韧性，否则差一分钟中断
就悲剧了，呵呵；
•数据挖掘的准备阶段和数据预处理时间占整个项目的70%，我这里说如果是超大数据集可能时间要占到90%以上。
一方面是处理费时，一方面可能就只能这台电脑处理，不能几台电脑同时操作；
•多带来不同，这是我一直强调的体验。
所以海量数据需要用到抽样技术，用来查看数据和预操作，记住：有时候即使样本数据正常，也可能全部数据有问题。
建议数
据分隔符采用“|”存储；
•如何强调一个数据挖掘项目和挖掘工程师对行业的理解和业务的洞察都不为过，好的数据挖掘一定是市场导向的，当然也需要IT人员与市场人员有好的沟通机制；
•数据挖掘会面临数据字典和语义层含义理解，在MetaData元数据管理和理解上下功夫会事半功倍，否则等数据重构完成发现问题又要推倒重来，悲剧；
•每次海量大数据挖掘工作时都是我上微博最多的时侯，它真的没我算的快，只好上微博等它，哈哈！
传统RFM分析转换为电信业务RFM分析主要思考：
这里的RFM模型和进而细分客户仅是数据挖掘项目的一个小部分，假定我们拿到一个月的客户充值行为数据集（实际上有六个月的数据），我们们先用IBM Modeler软件构建一个分析流：
数据结构完全满足RFM分析要求，一个月的数据就有3千万条交易记录！
我们先用挖掘工具的RFM模型的RFM汇总节点和RFM分析节点产生R(Recency)、F(Frequency)、M (Monetary)；
接着我们采用RFM分析节点就完成了RFM模型基础数据重构和整理；
现在我们得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score；这里对RFM得分进行了五等分切割，采用100、10、1加权得到RFM得分表明了125个RFM魔方块。
传统的RFM模型到此也就完成了，但125个细分市场太多啦无法针对性营销也需要识别客户特征和行为，有必要进一步细分客户群；
另外：RFM模型其实仅仅是一种数据处理方法，采用数据重构技术同样可以完成，只是这里固化了RFM模块更简单直接，但我们可以采用RFM构建数据的方式不为RFM也可用该模块进行数据重构。
我们可以将得到的数据导入到Tableau软件进行描述性分析：（数据挖掘软件在描述性和制表输出方面非常弱智，哈哈）
我们也可以进行不同块的对比分析：均值分析、块类别分析等等
这时候我们就可以看出Tableau可视化工具的方便性
接下来，我们继续采用挖掘工具对R、F、M三个字段进行聚类分析，聚类分析主要采用：Kohonen、K-means和Two-step算法：
这时候我们要考虑是直接用R(Recency)、F(Frequency)、M (Monetary)三个变量还是要进行变换，因为R、F、M三个字段的测量尺度不同最好对三个变量进行标准化，例如：Z得分（实际情况可以选择线性插值法，比较法，对标法等标准化）！另外一个考虑：就是R、F、M三个指标的权重该如何考虑，在现实营销中这三个指标重要性显然不同！
有资料研究表明：对RFM各变量的指标权重问题,Hughes,Arthur认为RFM在衡量一个问题上的权重是一致的,因而并没有给予不同的划分。
而Stone,Bob通过对信用卡的实证分析,认为各个指标的权重并不相同,应该给予频度最高,近度次之,值度最低的权重；
这里我们采用加权方法：WR=2 WF=3 WM=5的简单加权法（实际情况需要专家或营销人员测定）；具体选择哪种聚类方法和聚类数需要反复测试和评估，同时也要比较三种方法哪种方式更理想！
下图是采用快速聚类的结果：
以及kohonen神经算法的聚类结果：
接下来我们要识别聚类结果的意义和类分析：这里我们可以采用C5.0规则来识别不同聚类的特征：
其中Two-step两阶段聚类特征图：
采用评估分析节点对C5.0规则的模型识别能力进行判断：
结果还不错，我们可以分别选择三种聚类方法，或者选择一种更易解释的聚类结果，这里选择Kohonen的聚类结果将聚类字段写入数据集后，为方便我们将数据导入SPSS软件进行均值分析和输出到Excel软件！
输出结果后将数据导入Excel，将R、F、M三个字段分类与该字段的均值进行比较，利用Excel软件的条件格式给出与均值比较的趋势！结合RFM模型魔方块的分类识别客户类型：通过RFM分析将客户群体划分成重要保持客户、重要发展客户、重要挽留客户、一般重要客户、一般客户、无价值客户等六个级别；（有可能某个级别不存在）；
另外一个考虑是针对R、F、M三个指标的标准化得分按聚类结果进行加权计算，然后进行综合得分排名，识别各个类别的客户价值水平；
至此如果我们通过对RFM模型分析和进行的客户细分满意的话，可能分析就此结束！如果我们还有客户背景资料信息库，可以将聚类结果和RFM得分作为自变量进行其他数据挖掘建模工作！。