前面博客中讲到的聚类，聚类是对客户的一些特征进行分群，属于描述，不涉及客户价值的判断，然而在营销中，其实第一步应该是搞清楚谁才是你的关键客户，哪些用户的价值较高，这就需要用到RFM模型。RFM模型是众多的客户关系管理（CRM）分析模式中，被广泛提到和应用的模型之一。通过R（Recency，表示最后一笔订单距离现在的时间）、F（Frequency，表示客户在最近一段时间内购买的次数）、M （Monetary，表示客户在最近一段时间内购买的金额）三个指标对客户进行RFM打分，根据客户的RFM得分来描述该客户的价值情况。下面我具体说下两种步骤：
第一种方法，手动一步一步操作
- 计算得到R、F、M
一般这三个数据无法直接获取，需要进行一定的计算，例如R需要通过最后一笔订单的日期与现在日期的差值求得；F是定义时间内的购买数量，其实这里数量不一定是总数也可以是最小值（价值低的客户）、最大值、中位数（或平均数）、方差等指标，什么指标不重要，重要的是用什么指标反映什么目的；M是定义时间内购买金额。
2. 对R、F、M进行排秩
排秩的目的主要是解决异常值问题，如果数据不存在异常值，这个步骤可以省略。
3. 对R、F、M进行分组并划分等级
该步需要对R、F、M这三列数据分别做直方图，通过图形加上业务的理解，将R、F、M分别进行分组。关于R的分组，一般是可以等分，但需要强调的是结合客户购买周期来定义 R 的分组问题，例如电视机的购买周期较长（如 300天），分组区间最好大于购买周期，否则客户价值无法体现；关于F和M的分组主要是结合统计及业务理解，例如下图中根据图形可以将M分成三组，金额最高的客户组等级为3，中等金额的客户等级为2，金额最低的客户等级为1；假设R也被分成了三组，间隔时间最短的客户等级为3，间隔中等时间的客户等级为2，间隔时间最长的客户等级为1；假设F被分成了两组，购买数量较多的客户等级为2，购买数量较少的客户等级为1，则总共客户就被细分为3*3*2=18组，客户的RFM评分有331、332、322、321…..等等共18个评分。
4. 贴标签
根据上面例子，接下来需要对这18个客户组分别贴上不同的标签，表明客户的不同价值。下图中是经典的分成8组时标签命名的情况。
第二种方法
直接用SPSS中自带的直销模块，可以自动得出分组以及RFM得分。其实之所以要介绍方法一是因为，在现实分析中，对于客户价值的分析可能多于三个指标，比如加入客户流失率、客户沉睡度、客户购买力等指标，这时候第二种方法就会失效，就需要通过第一种方法进行评分。
RFM模型后期往往跟着聚类，通过聚类可以将一些如果通过RFM细分出较多组客户聚成2-3组，这样更便于贴标签。
