把最近一次消费时间、消费频次、消费金额这三个维度按照一定规律划分，从而实现对用户的划分，其目标是把具有相似特征一类人聚集在一起，实现针对性营销。
RFM分类
- 固定分类法
RFM三个维度按照自定义的数值，进行分类。
| 最近一次消费时间 | 权重值 | 最近一段时间购买的频次 | 权重值 | 最近一段时间购买的金额 | 权重值 |
|---|---|---|---|---|---|
| 7天之内 | 5 | 15+ | 5 | 1000+ | 5 |
| 1月 | 3 | 11--15 | 3 | 500--999 | 3 |
| 3月 | 2 | 6--10 | 2 | 100--499 | 2 |
| 6月 | 1 | 1--5 | 1 | 0-99 | 1 |
| 6月以上 | 0 | 0 | 0 | 0 | 0 |
说明：
最近一段时间：三个月
所有数据分类标准建议根据公司具体数据情况做划分，建议参考下面数据再去实施：
1、最近一段时间：参考用户的最后一次购物时间、平均购物周期，去设定最近一段时间是多久
2、最近一次消费时间：以提取样本的时间点与用户最后一次消费时间做差，平均购物周期、最大时间、最小时间，去设定消费时间的划分依据
3、消费频次：平均购物周期、最大时间、最小时间，去设定消费频次的划分依据
4、消费金额：客单价、最大金额、最小金额、订单均价，去设定消费金额的划分依
- 均值分类法
RFM三个维度按照平均值，进行划分。
| 最近一次消费时间 | 权重值 | 最近一段时间购买的频次 | 权重值 | 最近一段时间购买的金额 | 权重值 |
|---|---|---|---|---|---|
| 前20%人群 | 5 | 前20%人群 | 5 | 前20%人群 | 5 |
| 次20%人群 | 4 | 次20%人群 | 4 | 次20%人群 | 4 |
| 次次20%人群 | 3 | 次次20%人群 | 3 | 次次20%人群 | 3 |
| 次次次20%人群 | 2 | 次次次20%人群 | 2 | 次次次20%人群 | 2 |
| 最后20%人群 | 1 | 最后20%人群 | 1 | 最后20%人群 | 1 |
说明：
最近一段时间：三个月
建议参考下面数据再去实施：
1、最近一段时间：参考用户的最后一次购物时间、平均购物周期，去设定最近一段时间是多久
- k-means聚类算法
k-means算法的核心是自动把用户划分为相类似的类。详细逻辑点这里
| 最近一次消费时间 | 权重值 | 最近一段时间购买的频次 | 权重值 | 最近一段时间购买的金额 | 权重值 |
|---|---|---|---|---|---|
| 簇心A | 5 | 簇心A | 5 | 簇心A | 5 |
| 簇心B | 4 | 簇心B | 4 | 簇心B | 4 |
| 簇心C | 3 | 簇心C | 3 | 簇心C | 3 |
| 簇心D | 2 | 簇心D | 2 | 簇心D | 2 |
| 簇心E | 1 | 簇心E | 1 | 簇心E | 1 |
分类完成可以对用户进行组合分组，RFM每个维度分成了5份，那么在原理上可以形成555 = 125中组合，在这里我组合成了下面这些：
重要价值、重要保持、重要发展、重要挽留
中等价值、中等保持、中等发展、中等挽留
一般价值、一般保持、一般发展、一般挽留
具体如下：
重要价值：R>=4 F>=4 M>=4
重要保持：R<=2 F>=4 M>=4
重要发展：R>=4 F<=2 M>=4
重要挽留：R<=2 F<=2 M>=4
中等价值：R>=3 F>=3 2<=M<4
中等保持：R<=3 F>=3 2<=M<4
中等发展：R>=3 F<=2 2<=M<4
中等挽留：R<=2 F<=2 2<=M<4
一般价值：2<=R<3 2<=F<3 M<2
一般保持：R<=2 2<=F<3 M<2
一般发展：2<=R<3 F<2 M<2
一般挽留：R<=2 F<2 M<2
RFM营销
营销框架如下表
| 客群 | 推荐范围 | 软文 | 促销活动 | 优惠券 | 促销金额 | 备注 |
|---|---|---|---|---|---|---|
| 重要价值 | 其它品类、新品、可能喜欢的商品 | 包含这些商品的软文 | 包含这些商品的促销活动 | 代金券 | 一般金额／无金额 | 重点放在跨品类、跨业态推荐 |
| 重要保持 | 喜欢的商品 | 包含这些商品的软文 | 包含这些商品的促销活动 | 代金券 | 中等金额 | 重点要促进近期产生消费 |
| 重要发展 | 喜欢的商品、可能喜欢的商品 | 包含这些商品的软文 | 包含这些商品的促销活动 | 代金券 | 高金额 | 可能是近期刚下单的高价值的新用户，重点在提高频次 |
| 重要挽留 | 喜欢的商品 | 包含这些商品的软文 | 包含这些商品的促销活动 | 代金券 | 高金额 | 重点要促进近期产生消费 |
| 中等价值 | 喜欢的商品、可能喜欢的商品、其它品类、新品 | 包含这些商品的软文 | 包含这些商品的促销活动 | 高门槛满减 | 高金额 | 重点提高消费金额 |
| 中等保持 | 喜欢的商品 | 包含这些商品的软文 | 包含这些商品的促销活动 | 高门槛满减 | 高金额 | 重点在近期产生消费 |
| 中等发展 | 喜欢的商品、可能喜欢的商品 | 包含这些商品的软文 | 包含这些商品的促销活动 | 高门槛满减 | 高金额 | 可能是近期刚下单的中等价值的新用户，重点在提高频次 |
| 中等挽留 | 喜欢的商品 | 包含这些商品的软文 | 包含这些商品的促销活动 | 高门槛满减 | 高金额 | 重点要促进近期产生消费 |
| 一般价值 | 喜欢的商品 | 包含这些商品的软文 | 包含这些商品的促销活动 | 代金券／高门槛满减 | 高金额 | 重点要促进近期产生消费 |
| 一般保持 | 喜欢的商品 | 包含这些商品的软文 | 包含这些商品的促销活动 | 代金券／高门槛满减 | 高金额 | 重点要促进近期产生消费 |
| 一般发展 | 喜欢的商品 | 包含这些商品的软文 | 包含这些商品的促销活动 | 代金券／高门槛满减 | 高金额 | 尝试推送1、2，无效可以放弃推送 |
| 一般挽留 | 喜欢的商品 | 包含这些商品的软文 | 包含这些商品的促销活动 | 代金券／高门槛满减 | 高金额 | 尝试推送1、2，无效可以放弃推送 |
总结
RFM从消费时间、消费频率、消费金额三个维度去划分用户，分别如下：
R：最近一次消费时间。 R⬆︎，距离当前时间越近
F：最近一段时间消费频率。 F⬆︎，消费频率越大
M：最近一段时间消费金额。M⬆︎，消费金额越大
示意图如下：
R、F、M三个维度，如果每个维度分为2部分，则可以形成8个组合，如下：
R⬆︎F⬆︎M⬆︎ 重要价值用户（最近有消费、消费金额大、消费频次高）-（高价值高频老用户）
R⬆︎F⬇︎M⬆︎ 重要发展用户（最近有消费、消费金额大、消费频次低）-（高价值新用户，要提高消费频次，变为高频老客户）
R⬇︎F⬆︎M⬆︎ 重要保持用户（最近无消费、消费金额大、消费频次高）-（高价值高频老用户，但是最近无消费）
R⬇︎F⬇︎M⬆︎ 重要挽留用户（最近无消费、消费金额大、消费频次低）-（高价值低频最近无消费用户）
R⬆︎F⬆︎M⬇︎ 一般价值用户（最近有消费、消费金额低、消费频次高）-（低价值高频老用户，要提高消费金额，变为高价值用户）
R⬆︎F⬇︎M⬇︎ 一般发展用户（最近有消费、消费金额低、消费频次低）-（低价值新用户，要提高消费频次、消费金额，变为高频老用户）
R⬇︎F⬆︎M⬇︎ 一般保持用户（最近无消费、消费金额低、消费频次高）-（低价值高频老用户，但是最近无消费，要促进消费、提高消费金额）
R⬇︎F⬇︎M⬇︎ 一般挽留用户（最近无消费、消费金额低、消费频次低）-（低价值低频用户，撸牛毛的用户，非公司目标客群）
上述R、F、M三个维度，每个划分为2部分是为了说明每个对应的意义，如果划分为5个部分，原理上则可以形成256组合，既256组会员，每组会员意义各不相同，可以分别针对每组会员制定有针对性的营销活动。
