数字化时代几乎每个销售型企业都会搭建自己的CRM系统，用来管理自己的销售机会、销售客户、销售订单等业务流程及过程中产生的所有数据。尤其是零售企业，拥有大量的自有客户的销售数据。还有电商企业，他们拥有大量的顾客浏览数据、购买数据、订单数据，这些数据如果就这么静静的躺在系统里，那么它们将毫无价值可言。
如何利用这些数据去挖掘我们的客户，哪些是我们的利润贡献客户？
哪些是我们的新增顾客、哪些是我们的低频购买老顾客？
要想回答这些问题，首先我们需要用看得见的数据分析指标来呈现它们。正如彼得·德鲁克所言“如果你不能衡量它，你就无法增长它”。让这些静止的数据动起来，变成有生命力的有价值的信息，帮助我们实现客户增长，实现客户价值最大化，增强客户粘性，RFM模型将会帮你实现这个目标！
RFM模型简介
在众多的用户价值分析模型中，RFM模型是被广泛被应用的。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。
R（Recency）：客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。R值越大，证明此客户沉睡时间越长，流失可能性越大。
F（Frequency）：客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。F值越大的顾客也就是我们的忠实顾客，是他们活跃了我们的店面流量。而F值小的顾客，他们跟我们的粘性不大，忠诚松散，随时可能面临被竞争对手抢走的风险。
M（Monetary）：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。M值越大的顾客撑起了我们的业绩，如果再利用帕累托分布分析一下，也许会发现，正是这M值大的20%的顾客，撑起了我们业绩的80%的天空！
通过将这3个维度进行简单的高低取值划分，我们可以得到下面这个三维立体模型图，共计8种分类结果。
以上内容就是对于RFM模型知识的简单介绍，如果想要了解更多内容，大家可以自行查阅资料。
RFM模型设计障碍（干货预警）
RFM模型就是要通过计算出R、F、M分别的取值，然后通过这个取值去获取所对应的客户类型。那么在这个过程中，我们需要克服哪些难题呢？
-
“今天”这个动态值的获取
-
在工厂计算字段里进行日期的差值计算
-
RFM的具体取值设定
-
根据RFM的取值获取文本分类值
之所以会有这几个难题困扰着我们，是因为工厂的计算字段目前只能处理数值，也只能得到数值结果！所以无法直接处理日期值，也无法获取文本值。所以我们想要解决这个问题的关键也是在此特性之上！
因为数据工厂目前计算字段仅仅支持数值，所以我们所有非数值数据的处理，需要首先转化编码为数值，然后通过横向连接获取对应的非数值数据。这个过程也就是对非数值数据进行数值编码，然后再通过数值横向连接对它进行解码。
这是数据工厂处理非数值数据的核心思想！（针对目前功能而言2019.8.26）
模型搭建具体思路
1、分析数据的抽取
2、创建数字匹配符，进行与日期表的连接
3、连接日期表，获取日期的时间戳。（日期表是我们数据工厂关于日期的数据分析中频繁使用的基础表）
5、增加一个连接后的节点（同一表来源的横向连接不能接连来2次）
8、分离R分析所涉及的数据，并进行最小日期差计算
9、抽取F跟M分析相关数据，并进行F跟M值的处理。
10、汇总整合R和FM得到的数据
11、根据自己设定的分类划分标准，获取F和M的高低（可以定为低为0、高为1）
12、根据我们编码的RFM分类表去和RFM的取值进行匹配，以获得RFM不同值组合的匹配分类
至此，我们的RFM分析模型就搭建完毕了。通过这个RFM分析，我们可以非常清晰的了解到我们的会员、顾客的购买行为分类。并针对不同分类，采用针对性的促销、激活、发展、提升等等方案。让你的顾客更加活跃、更加粘性、更加有价值！
最终效果就不展示给大家看了，因为我的在这基础上做了改变。下一篇文章给大家分享是我如何利用RFM这个模型来进行销售管理分类分析的。
一切皆是信息，万物源自比特！数字化必定会深刻革命我们的办公和生活！简道云，中小企业数字化之路的绝佳伴侣！
（本文转自简道云用户：龙小马）
