RFM模型：R(Recency)表示客戶最近一次購買的時間有多遠，F(Frequency)表示客戶在最近一段時間內購買的次數，M (Monetary)表示客戶在最近一段時間內購買的金額。一般原始資料為3個欄位：客戶ID、購買時間、購買金額，用資料探勘軟體處理，加權（考慮權重）得到RFM得分，對得分排序，輸出營銷名單topN！
上圖來自於@資料探勘與資料分析
下面我們採用IBM Modeler 14.1版本操作RFM模型：（採用資料探勘技術來分析RFM是一件簡單的工作，因為軟體非常智慧化，或者說基本上內建了自動RFM分析模組）
首先：我們讀取資料，假設我們擁有近7萬條交易資料，包含客戶ID，交易日期和交易量；一般來講，對於交易資料為了節省儲存空間，時間欄位都是文字型，所以我們先採用填充欄位將Date變成真正的日期型欄位；
因為IBM Modeler14.1的RFM模組對欄位的特定要求，我們先變化，記住要選擇“始終”
這樣我們就可以選擇RFM變換節點，為RFM分析準備R-近因、F-頻次、M-貨幣交易資料了；從記錄選項中選擇RFM彙總節點
注意：這個時候你可以選擇時間點：指定時間或分析時間
到這裡，你會發現，非常簡單，節點自動將交易資料集彙總轉換為RFM分析資料集：近因、頻次和貨幣；
現在我們需要將三個欄位進行分割：從欄位選項中選擇RFM分析節點，
指定三個RFM欄位近因、頻次和貨幣後，我們需要決定分箱數和權重，一般來講：針對不同的產品和促銷，需要考慮不同的客戶意願，往往近因權重大些，其次是光顧頻次；我這裡進行了簡單處理：所以權重都是一樣，賦權重=10；
RFM分析節點欄位完成了基礎RFM分析，得到每一個客戶的近因、頻次和貨幣得分，進而計算加權求和得到RFM得分。
傳統的RFM分析到此就差不多了，我們需要將客戶RFM得分排序，選擇RFM得分最高的2000人進行促銷！
真正的商業戰役需要建立客戶響應模型，將RFM得分與客戶資料庫和響應資料進行關聯，從而有針對性的建立響應模型：
一般來講，假定企業擁有100萬會員資料庫和歷史交易資料，可以在沒有建立資料探勘模型前，隨機選擇1萬人進行促銷，記錄這1萬人的響應情況，然後根據這1萬人的響應資料0-1，建立RFM為自變數的響應模型，然後根據模型對100萬用戶進行客戶響應打分，選擇10萬人進行促銷，可以提升促銷的ROI；
前面一篇部落格文章是採用IBM SPSS Statistics進行RFM分析的，現在我們可以看到資料探勘軟體分析更方便、更系統，當然也更直觀可操作！
轉自：http://shenhaolaoshi.blog.sohu.com/178101622.html