比如电商网站要做一次营销活动，需要针对不同价值的客户群体进行分群，对于 高价值的用户推荐手表、珠宝等高端商品，对于低价值用户推荐打折促销的廉价商品 ，当然还有以下这些问题都是需要考虑的：

那么最终的问题是如何对客户进行分群，即如何建立客户的价值模型呢？

在传统企业和电商众多的客户细分模型中， RFM模型 是被广泛提到和使用的。

RFM模型是 衡量当前用户价值和客户潜在价值 的重要工具和手段。

  RFM是 Rencency（最近一次消费），Frequency（消费频率）、Monetary（消费金额） ，三个指标首字母组合，如下所示：

  根据RFM模型（业务数据：订单数据，时间范围内订单数据），就可以统计在某一段时间内，用户最近的消费间隔，消费次数和消费金额，再根据使用 K-Means算法对用户进行聚类分群 （不仅仅可以局限于这三个数据字段，还可以根据业务需求，加入其他字段，进行调整模型）：

在RFM模式中，一般的分析型CRM着重在对于客户贡献度的分析，RFM则强调以客户的行为来区分客户。

  消费指的是 客户在店铺消费最近一次和上一次的时间间隔 ，理论上R值越小的客户是价值越高的客户，即对店铺的回购几次最有可能产生回应。

如下图，某零食网店用户最近一次消费R值分布图：

  消费频率是 客户在固定时间内的购买次数（一般是1年） 。但是如果实操中实际店铺由于受品类宽度的原因，比如卖3C产品，耐用品等即使是忠实粉丝用户也很难在1年内购买多次。所以，有些店铺在运营RFM模型时，会把F值的时间范围去掉，替换成累计购买次数。

如下图，某零食网店用户购买频次图（如1个客户在1天内购买多笔订单，则自动合并为1笔订单）：

  M值是RFM模型中相对于R值和F值最难使用，但最具有价值的指标。大家熟知的“二八定律”（又名“帕雷托法则”）曾作出过这样的解释： 公司80%的收入来自于20%的用户 。

  理论上M值和F值是一样的，都带有时间范围，指的是一段时间（通常是1年）内的消费金额，在实际项目中认为对于一般店铺的类目而言，产品的价格带都是比较单一的，比如：同一品牌美妆类，价格浮动范围基本在某个特定消费群的可接受范围内，加上单一品类购买频次不高，所以对于一般店铺而言，M值对客户细分的作用相对较弱。

现以国内某知名化妆品店铺举例，店铺平均客单为160元，因此以80元作为间隔，将累积消费金额分段，从表中可以很明显发现，累计消费160元以下用户占比为65.5%（近2/3），贡献的店铺收入比例只占31.6%（近1/3），具体如下：

有两种方法来分析RFM模型的结果： - 用基于RFM模型的 划分标准 来进行客户细分 - 用基于RFM模型的 客户评分 来进行客户细分。

  选择RFM模型中的1-3个指标进行客户细分，如下表所示。切记细分指标需要在自己可操控的合理范围内，并非越多越好，一旦用户细分群组过多，一来会给自己的营销方案执行带来较大的难度，二来可能会遗漏用户群或者对同个用户造成多次打扰。

最终选择多少个指标有两个参考标准：店铺的客户基数，店铺的商品和客户结构。

  除了直接用RFM模型对用户进行分组之外，还有一种常见的方法是 利用RFM模型的三个属性对客户进行打分，通过打分确定每个用户的质量，最终筛选出自己的目标用户 。

RFM模型评分主要有三个部分：

比如，实操的过程中一般每个指标分为3-5段，其中R值可以根据开店以来的时间和产品的回购周期来判定，F值根据现有店铺的平均购买频次，M值可参考上文客单价的分段指标。举个例子：

确认RFM的分段和对应分段的分值之后，就可以按照用户情况对应进行打分。

如何依据RFM模型针对用户订单数据进行计算操作呢，具体分析如下所示：

  按照R_Score、F_Score、M_Score进行 用户聚类 ，采用方法为K-Means，共分8类（具体分为几类，依据实际业务情况而定），并给RFM赋予权重（目前 权重采用R:F:M =0.25:0.25:0.5 ），计算各类的用户价值。

业务流程：

属性标签插入SQL语句：