RFM模型技术是根据消费者交易数据库中三个核心指标构建并计算的消费者细分或销售得分进行有针对性营销的一种市场研究技术。RFM既是传统的数据库营销手段，也是数据挖掘技术关注的模型技术，RFM在客户细分模型、客户响应模型、客户价值模型、客户促销模型等都是重要的变量和分析模块。RFM模型也是建构客户关系管理的核心分析技术。

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(Frenquency)       * 消费金额(Monetary) 

• R—RECENCY：最近购买的客户倾向再度购买；
• F—FREQUENCY：经常购买的客户可能会较易回应
• M—MONETARY：消费金额较多的客户未来可能更会消费

（摘录MBALIB资料）
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。

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，也是满意度最高的顾客。如果相信品牌及商店忠诚度的话，最常购买的消费者，忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率，由别人的手中赚取营业额。根据这个指标，我们又把客户分成五等分，这个五等分分析相当于是一个“忠诚度的阶梯”(loyalty ladder)，其诀窍在于让消费者一直顺着阶梯往上爬，把销售想像成是要将两次购买的顾客往上推成三次购买的顾客，把一次购买者变成两次的。

消费金额：是所有数据库报告的支柱，也可以验证“帕雷托法则”(Pareto’s Law)——公司80％的收入来自20％的顾客。它显示出排名前10％的顾客所花费的金额比下一个等级者多出至少2倍，占公司所有营业额的40％以上。如看累计百分比的那一栏，我们会发现有40％的顾客贡献公司总营业额的80％；而有60％的客户占营业额的90％以上。最右的一栏显示每一等分顾客的平均消费，表现最好的 10％的顾客平均花费1195美元，而最差的10％仅有18美元 。
　　如果你的预算不多，而且只能提供服务信息给2000或 3000个顾客，你会将信息邮寄给贡献40％收入的顾客，还是那些不到1％的顾客？数据库营销有时候就是这么简单。这样的营销所节省下来的成本会很可观 。

结合这三个指标，我们就可以把顾客分成5＊5＊5 = 125类，对其进行数据分析，然后制定我们的营销策略。

　　最近一次消费、消费频率、消费金额是测算消费者价值最重要也是最容易的方法，这充分的表现了这三个指标对营销活动的指导意义。而其中，最近一次消费是最有力的预测指标。

下面我们采用PASW Statistics进行RFM分析：

假设我们拿到一个消费者交易数据库，包含三个变量：客户CardID、时间Date、交易金额Amount；也就是RFM三指标数据集；

首先，我们需要将交易数据集，分割和转换为三个RFM变量，并根据RFM编码赋予不同的权重，最后，根据权重汇总为RFM得分；当然我们也可以根据RFM指标或得分进一步进行分析！

PASW Statistics也就是SPSS 18版本有了直销模块，我们采用这个模块来操作：

因为我们的数据是最原始的交易数据（一般就是商业自动化生成的数据集），所以我们采用交易数据分割方法，前提是我们有客户标识ID，交易时间（必须是日期型），交易金额；

分别指定个变量后，选择离散化方法，并将结果保存！

我们可以选择离散化方法，嵌套和独立；另外我们可以选择RFM指标的分割数，默认都是5等分；

从统计量上我们可以大致看到分割的比例，均值和标准差！

选择存储方式后，我们就可以得到了RFM模型中的各个变量和RFM得分变量，图上RFM_Score得分实际上就是R、F、M三个指标的组合，因此该得分没有数值意义，仅仅代表把消费者分割成了125块的某一块；但是我们需要记住的是：当时我们分割的时候是嵌套还是独立，决定了125块每一块的含义或者说代表的意义不同！

接下来，我们可以考虑RFM指标权重，一般考虑时间是最重要的，当然我们也可以认为三个指标权重相同，假如我们分别赋予三个指标的权重都等于10，（也可以根据需要分别赋权），结的意义主要是阈值的考虑和分割点的划分问题。

得到RFM得分值后，我们可以按照这个指标进行降序排列，这样我们就可以选择1000位消费者进行促销了！

最近频繁消费并且每次交易均消费适当金额的客户将获得最高得分，列出了经常消费小笔金额的客户以及那些最近购买了一或两件高额商品的客户。例如，随即可以将此数据保存到一个输出文件中，并将该文件与另一个包含每个客户的个人详细信息（如姓名和地址）的文件合并在一起，从而提供促销邮寄或销售电话的目标客户。

 

关于RFM模型技术在数据挖掘技术中显得更为有价值、分析也更灵活，我将在接下来的文章中采用Data Mining技术来讲解复杂的客户响应模型的建模技术！