1、RFM分析模型概述

该模型通过对每个用户R值、F值、M值高低的评估，将其对应到不同的区间中去，从而将用户划分为8种用户价值类型，分别为：重要价值客户、重要换回客户、重要深耕客户、重要挽留客户、潜力客户、新客户、一般维持客户、流失客户。

R：最近一次消费（Recency），反映的是一个客户的活跃程度

F：消费频率（Frequency），反映的是一个客户的忠诚度

M：消费金额（Monetary），反映的是一个客户的贡献度

2、选择数据来源

在数据来源下拉框选择需要分析的数据集。

目标事件的选择决定了后续 R、F、M将以哪个事件的数据为依据，通常来说，我们需要选择一个应用中关键的、有可量化的价值字段的事件作为转化事件，例如订单支付事件。

在 R、F、M的设置中，您需要明确系统以何种标准来确定值的高低。

系统支持数值区间、原始值划分、百分比划分这三种形式，以 R 活跃近度指标为例，数值区间划分指手动明确固定的值作为标准，例如填入3后，最后触发目标时间与当前时间的差超过72小时的用户，就会被定义为低活跃用户。

原始值划分指系统将自动计算出所有用户的平均值，时间差小于/小于等于平均值的用户即为高活跃用户。

百分比划分则指您可以将某个百分比段位指定为划分标准。例如我们可以根据28定律指定时间差前20%的用户是高活跃用户。

支持相对时间/绝对时间/自然时间三种方式选择时间窗口。

支持在平铺和矩阵两种展现方式间进行切换。平铺方式将分别呈现R、F、M 三个维度的高低用户分布，而矩阵则是将 R、F、M三个维度的高低进行排列组合，查看八种组合结果对应的客户类型数量。

全局过滤功能可对将一个或多个事件属性、用户属性，或者某个用户分群、标签作为本次分析的数据过滤条件。当有多个全局过滤条件时，支持设置取且/或逻辑。

当展现形式选择为平铺，三个柱形图与表格分别呈现各维度上的高/低用户数。

当展现形式选择为矩阵，则可通过旭日图或矩形图来查看组合后的八类用户的数量分布。同时表格中也能够查看到每类用户的口径定义。