RFM模型的分析

1. RFM模型的分析

怎样更好的使用RFM模型进行营销分层？

2. 浅谈RFM模型

       个人理解中的RFM是为了研究用户（买家）的一个算法模型，身为产品从业者的我们都喜欢谈目标用户，而何谓目标用户，我们可以简单把他们归结为付费用户，也就是为我们产品带来收入的人群。而PM一项很重要的职能就是分析数据，根据单一用户的购物行为对其分析不仅要浪费大量的人力资源，浪费时间且不可行，而且若缺乏一套具体的算法模型也难以脱离个人主观性。而研究用户，洞察人性却又是PM的主要工作内容，在产品迭代过程中，通常需要根据用户的属性进行归类，也就是通过分析数据，对用户进行归类，以便于在推送及转化过程中获得更大的收益。了解用户的行为感受是必不可少的职责，而RFM就是一种了解付费用户结构的基本方法。由于该模型设计到具体算法，网上大多数文献说得都比较复杂分散，而且存在重大歧义，如RFM中R值的概念Josh Bycer认为R值越大用户回购率越高，而真实情况未必如此。本文档主要是为了归纳汇总RFM模型的概念以及适用场景，以尽量直白的方式呈现给读者。奈何才疏学浅，许多地方未必正确，不足之处望指导。
  
 
  
  
 
  
  
 R-Recency（近期）-最后一次购买是多久以前；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。
  
 F-Frequency（频率）-购买频率；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。
  
 M-Monetary（消费）-设定时间段内客户的总消费金额；M值越大，表示客户价值越高，反之则表示客户价值越低 。 这是衡量客户价值最重要的指标。
                                          
 1.谁是我的重要价值客户，他们都有什么特点？
  
 2.谁是我需要重点保持联系的客户，他们都有什么特点？
  
 3.谁是我的重要发展客户，他们都有什么特点？
  
 4.谁是我的重要挽留客户，他们都有什么特点？
  
 根据三维图表，以RFM为XYZ轴，1代表高，0代表低
                                          
 1.重要价值客户（111）：最近消费时间较短、消费频次和消费金额都较高。这是门店应该主要关注的VIP客户。
  
 2.重要保持客户（011）：最近消费时间较长，消费频次和消费金额都较高。说明这是个一段时间没来的忠实客户，我们需要主动和他保持联系。
  
 3.重要发展客户（101）：最近消费时间较短、消费金额高，但消费频次较低。忠诚度不高，很有潜力的用户，必须重点发展。
  
 4.重要挽留客户（001）：最近消费时间较长、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当吸引客户回流。
  
 
  
                                          
         RFM模型的最终目的是为了区别出有价值的用户在此基础上细分用户类型做到精准运营，实现效率最大化。RFM模型较为动态地显示了客户消费轮廓，这对个性化的沟通和服务提供了依据，根据用户群体、产品特性，产品的周期去改善三项指标的状况，从而为更多的营销决策提供支持。在RFM的分类基础上，去进行的基础维护运营，根据关键运营指标，选取重点需要优化的用户群体，进行差异化运营，从而刺激用户持续的消费、留存。RFM模型同时也能作为监控用户行为的有效工具，让管理者了解客户的行为从而反思现存的营销模式，为企业后续的发展方向做出战略性部署。
  
 
  
  
          RFM模型主要用于电商领域，但是我们也可以替换RFM相关的字段使其适用于互联网产品。作为CRM一个模块的RFM应用范围以及应用之广此处便不再展开。

3. RFM模型的分析

RFM在传统的直效营销领域的应用作为一种对客户分类的方法，RFM分析模型起初主要用于直效营销(Direct Marketing)领域，目的是提高老客户交易的次数。广东一家办公设备及耗材零售企业，在省内建立了9家连锁配送中心，业务发展迅速，有过成交记录的老客户也多了起来，通过向客户用邮政信函发送商品目录、开展直效营销的成本越来越高。该公司希望找到一种更有效的方法，来区分客户，以便在“更恰当的时间、向恰当的客户传递恰当的商品信息”，从而刺激重复交易，同时也适当降低邮寄费用。他们把客户购买日期到当天的天数算出来，得到R这个参数。然后可以依据参数R的大小对客户进行分组，例如可以把客户分成数量基本相等的5个等级，R5级表示购买时间最接近统计当日，R1级表示购买时间最远离统计当日；此外还可以依据停止交易的绝对天数、不考虑每级的客户数量是否近似而进行划分。对于R5级的客户，该公司会立即再邮寄一份商品目录及奖励积分计划，对于R4级的客户则会在一周内再邮寄一份商品目录及奖励积分计划，对于R3级以下的客户则不采用这重追随购买的邮寄方式。 根据国外的统计结果，R5级客户对直效邮件的回函率是R4级的三倍，因为这些客户刚完成交易不久，所以会更注意同一公司的商品信息。如果及时跟进的邮件内容，采用“交叉销售”（Cross-Sell）或“追加销售”（Up-Sell）的策略，推荐与客户购买需求相关度高的商品，或者提供额外的重复购买奖励，效果更加显著。通过大量的统计发现，紧随参数R之后、与重复购买有密切关系的是参数F。采用F购买次数作为参数，将客户分为F5~F1五组，采取不同的邮寄策略也是很有意义的。例如过去6个月购买超过5次以上的客户，今后将每月邮寄一次商品目录；而购买不足2次的客户，将只会每两个月邮寄一次。相对而言，参数M与刺激重复购买的频率之间关系不那么紧密。统计发现，如果采用M货币价值这个参数对客户分类，平均交易金额高的客户的反馈率并不见得比平均交易金额低的客户来得多。但这个世界永远存在这样一些客户，他们对一些促销宣传小策略反应冷漠，但偶尔一次的大额采购往往给您带来意外的惊喜。 因此有必要让他们在需要采购的时候能想起您，这就需要利用参数M，同样我们也可以把客户分为M5~M1五组。将客户分别按照R、F、M参数分组后，假设某个客户同时属于R5、F4、M3三个组，则可以得到该客户的RFM代码543。同理，我们可以推测，有一些客户刚刚成功交易、且交易频率高、总采购金额大，其RFM代码是555，还有一些客户的RFM代码是554、545……每一个RFM代码都对应着一小组客户，开展市场营销活动的时候可以从中挑选出若干组进行。RFM非常适用于提供多种商品的企业，这些商品单价相对不高，或者相互间有互补性，具有多次重复购买的必要，这些企业可能提供如下商品：日用消费品、服装、小家电等；RFM也适用于这类企业，它们既提供高价值耐用商品、同时又提供配套的零部件或维修服务，如下：精密机床、成套生产设备、打印机等；RFM对于商品批发、原材料贸易、以及一些服务业（如旅行、保险、运输、快递、娱乐等）的企业也很适用。

4. RFM模型M是必须的吗？

在RFM模型中，M是必不可少的，否则无法完成整体分析！
企业用R、F的变化，可以推测客户消费的异动状况，根据客户流失的可能性，列出客户，再从M（消费金额）的角度来分析，就可以把重点放在贡献度高且流失机会也高的客户上，重点拜访或联系，以最有效的方式挽回更多的商机。

RFM模型相关简介：
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。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。该机械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3项指标来描述该客户的价值状况。
R(Recency)表示客户购买的时间有多远，F(Frequency)表示客户在时间内购买的次数，M (Monetary)表示客户在时间内购买的金额。一般的分析型CRM着重在对于客户贡献度的分析，RFM则强调以客户的行为来区分客户。
RFM非常适用于生产多种商品的企业，而且这些商品单价相对不高，如消费品、化妆品、小家电、录像带店、超市等。
它也适合在一个企业内只有少数耐久商品，但是该商品中有一部分属于消耗品，如复印机、打印机、汽车维修等消耗品；RFM对于加油站、旅行保险、运输、快递、快餐店、KTV、行动电话信用卡、证券公司等也很适合。
RFM可以用来提高客户的交易次数。业界常用的DM(直接邮寄)，常常一次寄发成千上万封邮购清单，其实这是很浪费钱的。
根据统计(以一般邮购日用品而言)，如果将所有R(Recency)的客户分为五级，最好的第五级回函率是第四级的三倍，因为这些客户刚完成交易不久，所以会更注意同一公司的产品信息。如果用M(Monetary)来把客户分为五级，最好与次好的平均回复率，几乎没有显著差异。

5. 不会RFM模型分析？这篇应用实例拿走不谢

相信多数的数据分析人员与我一样，刚开始接触数据分析工具时，经常不知该从何下手，分析数据也是胡乱分析一通，往往分析不到想要的结果。同样的数据在专业数据分析师的手里是宝藏，怎么到了自己手中便成了一堆废铁，为什么呢？是我们分析的知识存储不够吗？虽然有部分原因是可能是因为不懂分析模型原理，但也许更多的原因是我们不懂该如何利用工具将各种模型法则运用到分析决策当中去。
  
 打个比方，在客户管理方面，企业想分析哪些客户更重要，时常会通过帕累托模型做分析；想判断哪些客户最有价值，时常会运用到RFM分析模型等等一样。明明分析模型相关的知识都了解，却因为不会用工具实现分析，一切都只是徒劳。接下来我便简单为大家分享关于RFM模型在数林BI中的应用，不会用工具也无需担心，直接参考模板就对了！
  
 一、 关于RFM模型解释 
  
 RFM模型由三个维度R(Recency-近度）、F(Frequency-频度）和M（Monetary-额度）组成。
  
  近度R： 表示客户最近交易距离当前天数，本文可以简单理解为客户的最近交易日期与数据采集日期的距离，R越大表示客户许久未交易，反之，表示客户不久前刚交易过。
  
  频度F： 可简单理解为客户在某段时间内交易的频次，F越大表示客户在某段时间内交易越频繁，越小，表示客户交易频次越少。
  
  额度M ：表示客户在某段时间内的消费金额，本文可简单理解为客户在某段时间内的平均消费金额。M越大表示客户在某段时间内成交的金额越大，反之越小。
  
 二、 利用  RFM模型  划分销售客户群体 
  
 通过RFM模型可将销售客户群体划分为不同级别类型客户，如下图所示：
                                          
 三、 RFM模型的应用 
                                          
 如上图所示，这是用数林BI工具从金蝶进销存系统中直接取数，按照特定的要求做出的RFM模型的简单应用，将企业的销售客户划分出来。用户可通过此模型可直观了解到客户处于哪个层级上，比如哪些客户是重要价值客户，哪些仅仅只是一般价值客户等等，并针对划分的类型采取不同的运营措施，例如，重要价值客户是公司的优质客户需要重点保持；而对于公司贡献不大的一般挽留客户，可询问原因，但不必太重点关注，保持一般互动即可......通过不同的营销策略管理客户，可在一定程度上为企业减少不必要的资源浪费。
  
 当然，企业可结合其他的图表对销售客户进行分析，如下图所示：
                                          
 上图是数林BI中建立的一个关于销售客户可视化的BI分析模型，用户可以借此模板掌握公司不同类型客户的情况，从而判断销售客户的价值，并有针对的采取不同的运营举措。
  
 同样，用户将RFM模型结合客户黏性分析，从销售额、单价、品类、笔数等角度分析哪些客户流失了，从而及时找寻可能的流失原因，这对企业的发展有重大意义。

6. rfm模型的三个指标是什么?

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有3个神奇的要素，这3个要素构成了数据分析最好的指标：
1、最近一次消费 
最近一次消费意指上一次购买的时候——顾客上一次是几时来店里、上一次根据哪本邮购目录购买东西、什么时候买的车，或在你的超市买早餐最近的一次是什么时候。
理论上，上一次消费时间越近的顾客应该是比较好的顾客，对提供即时的商品或是服务也最有可能会有反应。营销人员若想业绩有所成长，只能靠偷取竞争对手的市场占有率，而如果要密切地注意消费者的购买行为，那么最近的一次消费就是营销人员第一个要利用的工具。
历史显示，如果能让消费者购买，他们就会持续购买。这也就是为什么，0至3个月的顾客收到营销人员的沟通信息多于3至6个月的顾客。
2、消费频率 
消费频率是顾客在限定的期间内所购买的次数。我们可以说最常购买的顾客，也是满意度最高的顾客。如果相信品牌及商店忠诚度的话，最常购买的消费者，忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率，由别人的手中赚取营业额。

分类：
根据这个指标，我们又把客户分成五等分，这个五等分分析相当于是一个“忠诚度的阶梯”(loyalty ladder)，如购买一次的客户为新客户，购买两次的客户为潜力客户，购买三次的客户为老客户，购买四次的客户为成熟客户，购买五次及以上则为忠实客户。
其诀窍在于让消费者一直顺着阶梯往上爬，把销售想象成是要将两次购买的顾客往上推成三次购买的顾客，把一次购买者变成两次的。
3、消费金额
消费金额是所有数据库报告的支柱，也可以验证“帕雷托法则”(Pareto’s Law)——公司80%的收入来自20%的顾客。
它显示出排名前10%的顾客所花费的金额比下一个等级者多出至少2倍，占公司所有营业额的40%以上。如看累计百分比的那一栏，我们会发现有40%的顾客贡献公司总营业额的80%；而有60%的客户占营业额的90%以上。
最右的一栏显示每一等分顾客的平均消费，表现最好的 10%的顾客平均花费1195美元，而最差的10%仅有18美元 。

应用意义
RFM模型较为动态地显示了一个客户的全部轮廓，这对个性化的沟通和服务提供了依据，同时，如果与该客户打交道的时间足够长，也能够较为精确地判断该客户的长期价值(甚至是终身价值)，通过改善三项指标的状况，从而为更多的营销决策提供支持。
在RFM模式中，R(Recency)表示客户购买的时间有多远，F(Frequency)表示客户在时间内购买的次数，M (Monetary)表示客户在时间内购买的金额。一般的分析型CRM着重在对于客户贡献度的分析，RFM则强调以客户的行为来区分客户。
RFM非常适用于生产多种商品的企业，而且这些商品单价相对不高，如消费品、化妆品、小家电、录像带店、超市等；
它也适合在一个企业内只有少数耐久商品，但是该商品中有一部分属于消耗品，如复印机、打印机、汽车维修等消耗品；RFM对于加油站、旅行保险、运输、快递、快餐店、KTV、行动电话信用卡、证券公司等也很适合。
RFM可以用来提高客户的交易次数。业界常用的DM(直接邮寄)，常常一次寄发成千上万封邮购清单，其实这是很浪费钱的。
根据统计(以一般邮购日用品而言)，如果将所有R(Recency)的客户分为五级，最好的第五级回函率是第四级的三倍，因为这些客户刚完成交易不久，所以会更注意同一公司的产品信息。如果用M(Monetary)来把客户分为五级，最好与次好的平均回复率，几乎没有显著差异。

7. 如何分析RFM模型才能最有效，才能真正起到精细化运营的作用？

举一个互联网餐饮的例子~来证明如何分析RFM模型：

如何通过外卖订单数据，分析用户的基本属性；
　　用户的订单上都有订餐地址，通过对于订餐地址的统计，我们可以查询到不同条件组合下的用户分布，甚至能知道喜欢某道菜的用户都在哪里。类似的用户数据挖掘，还可以根据复购构成、复购用户跨平台使用情况、性别组成做更精细化的分析。值得注意的是，数据平台间的差异还是蛮大的，有利于针对不同平台做出不同的营销策略。
　　上面这些最基本的用户属性对于精细化运营还是不够的。 因为这些信息无法帮助你解决下面四个问题——
　　1.谁是我的重要价值客户，他们都有什么特点？
　　2.谁是我需要重点保持联系的客户，他们都有什么特点？
　　3.谁是我的重要发展客户，他们都有什么特点？
　　4.谁是我的重要挽留客户，他们都有什么特点？

2.如何通过RFM模型，为用户分群，实现精细化运营
　RFM模型是一个被广泛使用的客户关系分析模型，主要以用户行为来区分客户，RFM分别是：
　　R = Recency 最近一次消费
　　F = Frequency 消费频率
　　M = Monetary 消费金额
　　需要详细了解以上三个指标定义的，百度会将维度再细分出5份，这样就能够细分出5x5x5=125类用户，再根据每类用户精准营销……显然125类用户已超出普通人脑的计算范畴了，更别说针对125类用户量体定制营销策略。实际运用上，我们只需要把每个唯独做一次两分即可，这样在3个维度上我们依然得到了8组用户。
　　重要价值客户（111）：最近消费时间近、消费频次和消费金额都很高，必须是VIP啊！
　　重要保持客户（011）：最近消费时间较远，但消费频次和金额都很高，说明这是个一段时间没来的忠实客户，我们需要主动和他保持联系。
　　重要发展客户（101）：最近消费时间较近、消费金额高，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。
　　重要挽留客户（001）：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当基于挽留措施。




3.如何在BDP个人版上建立RFM模型，帮助用户分群
　　这时候可能会有朋友问了，天啦，你这个三维模型，我没办法用BDP来建表格了。所以我们需要做的是将三维模型二维化，我们将R域切一块出来（即在近30天有复购的用户中做分析），压扁了就会看到。
　　上方的表示或许还是太学术了，简单的说
　　第一步：先挑出来近1个月的复购用户。
　　第二步：近1个月内复购用户的平均实付金额做纵轴。
　　第三步：近1个月内复购用户的购买次做横轴，生成表格。
　　第四步，你需要自己在这个表格上划红线。

　　横着的红线，代表着你认为来吃饭的客人平均每餐该花多少钱，我这里设定的值是25元，叫外卖25都没付到，对我而言是低消费金额（低M）用户。
　　竖着的红线，代表着你认为复购多少次的客人，是你的高频用户。外卖点餐流动率很大，一个用户每个月能在一家店点三次以上的菜，对我而言即是高频。
　　这样，BDP个人版上的RFM模型就建立好了。这个RFM模型在实操时有什么用呢？举个例子
　　比如对圈用户群发短信转化只有不到1%时，你可以用RFM做个分析，只选取R值高的用户(最近2周到最近一个月内消费的用户），转化率可以由1%提升到10%。
　　这也意味着，以往6元/订单将下降到0.6元/订单。掌柜们是愿意花600元给10000个用户发短信，得到100个订单，还是愿意花48元给800人发短信得到80个订单，相信大家一定会选后者。
　　而整体的RFM区分，则能够帮掌柜们针对不同的用户发不同的短信，短信的开头是用“好久不见”、还是用“恭喜你成为VIP”，就得看时重要保持客户还是重要价值用户了。只有能区分用户，才能走向精细化运营。

8. RFM模型分析与客户细分

RFM模型分析与客户细分
根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。
　　RFM模型：R(Recency)表示客户最近一次购买的时间有多远，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。一般原始数据为3个字段：客户ID、购买时间(日期格式)、购买金额，用数据挖掘软件处理，加权(考虑权重)得到RFM得分，进而可以进行客户细分，客户等级分类，Customer Level Value得分排序等，实现数据库营销!

这里再次借用@数据挖掘与数据分析的RFM客户RFM分类图。
　　本次分析用的的软件工具：IBM SPSS Statistics 19，IBM SPSS Modeler14.1，Tableau7.0，EXCEL和PPT
　　因为RFM分析仅是项目的一个小部分分析，但也面临海量数据的处理能力，这一点对计算机的内存和硬盘容量都有要求。
　　先说说对海量数据挖掘和数据处理的一点体会：(仅指个人电脑操作平台而言)
　　一般我们拿到的数据都是压缩格式的文本文件，需要解压缩，都在G字节以上存储单位，一般最好在外置电源移动硬盘存储;如果客户不告知，你大概是不知道有多少记录和字段的;
　　Modeler挖掘软件默认安装一般都需要与C盘进行数据交换，至少需要100G空间预留，否则读取数据过程中将造成空间不足
　　海量数据处理要有耐心，等待30分钟以上运行出结果是常有的现象，特别是在进行抽样、合并数据、数据重构、神经网络建模过程中，要有韧性，否则差一分钟中断就悲剧了，呵呵;
　　数据挖掘的准备阶段和数据预处理时间占整个项目的70%，我这里说如果是超大数据集可能时间要占到90%以上。一方面是处理费时，一方面可能就只能这台电脑处理，不能几台电脑同时操作;
　　多带来不同，这是我一直强调的体验。所以海量数据需要用到抽样技术，用来查看数据和预操作，记住：有时候即使样本数据正常，也可能全部数据有问题。建议数据分隔符采用“|”存储;
　　如何强调一个数据挖掘项目和挖掘工程师对行业的理解和业务的洞察都不为过，好的数据挖掘一定是市场导向的，当然也需要IT人员与市场人员有好的沟通机制;
　　数据挖掘会面临数据字典和语义层含义理解，在MetaData元数据管理和理解上下功夫会事半功倍，否则等数据重构完成发现问题又要推倒重来，悲剧;
　　每次海量大数据挖掘工作时都是我上微博最多的时侯，它真的没我算的快，只好上微博等它，哈哈!
　　传统RFM分析转换为电信业务RFM分析主要思考：

　　这里的RFM模型和进而细分客户仅是数据挖掘项目的一个小部分，假定我们拿到一个月的客户充值行为数据集(实际上有六个月的数据)，我们们先用IBM Modeler软件构建一个分析流：

数据结构完全满足RFM分析要求，一个月的数据就有3千万条交易记录!

我们先用挖掘工具的RFM模型的RFM汇总节点和RFM分析节点产生R(Recency)、F(Frequency)、M (Monetary);

　　接着我们采用RFM分析节点就完成了RFM模型基础数据重构和整理;

　　现在我们得到了RFM模型的Recency_Score、Frequency_Score、Monetary_Score和RFM_Score;这里对RFM得分进行了五等分切割，采用100、10、1加权得到RFM得分表明了125个RFM魔方块。
　　传统的RFM模型到此也就完成了，但125个细分市场太多啦无法针对性营销也需要识别客户特征和行为，有必要进一步细分客户群;
　　另外：RFM模型其实仅仅是一种数据处理方法，采用数据重构技术同样可以完成，只是这里固化了RFM模块更简单直接，但我们可以采用RFM构建数据的方式不为RFM也可用该模块进行数据重构。
　　我们可以将得到的数据导入到Tableau软件进行描述性分析：(数据挖掘软件在描述性和制表输出方面非常弱智，哈哈)

我们也可以进行不同块的对比分析：均值分析、块类别分析等等

　　这时候我们就可以看出Tableau可视化工具的方便性

接下来，我们继续采用挖掘工具对R、F、M三个字段进行聚类分析，聚类分析主要采用：Kohonen、K-means和Two-step算法：

这时候我们要考虑是直接用R(Recency)、F(Frequency)、M (Monetary)三个变量还是要进行变换，因为R、F、M三个字段的测量尺度不同最好对三个变量进行标准化，例如：Z得分(实际情况可以选择线性插值法，比较法，对标法等标准化)!另外一个考虑：就是R、F、M三个指标的权重该如何考虑，在现实营销中这三个指标重要性显然不同!
　　有资料研究表明：对RFM各变量的指标权重问题,Hughes,Arthur认为RFM在衡量一个问题上的权重是一致的,因而并没有给予不同的划分。而Stone,Bob通过对信用卡的实证分析,认为各个指标的权重并不相同,应该给予频度最高,近度次之,值度最低的权重;
　　这里我们采用加权方法：WR=2 WF=3 WM=5的简单加权法(实际情况需要专家或营销人员测定);具体选择哪种聚类方法和聚类数需要反复测试和评估，同时也要比较三种方法哪种方式更理想!
　　下图是采用快速聚类的结果：

　　以及kohonen神经算法的聚类结果：

　　接下来我们要识别聚类结果的意义和类分析：这里我们可以采用C5.0规则来识别不同聚类的特征：

其中Two-step两阶段聚类特征图：

　　采用评估分析节点对C5.0规则的模型识别能力进行判断：

结果还不错，我们可以分别选择三种聚类方法，或者选择一种更易解释的聚类结果，这里选择Kohonen的聚类结果将聚类字段写入数据集后，为方便我们将数据导入SPSS软件进行均值分析和输出到Excel软件!

　　输出结果后将数据导入Excel，将R、F、M三个字段分类与该字段的均值进行比较，利用Excel软件的条件格式给出与均值比较的趋势!结合RFM模型魔方块的分类识别客户类型：通过RFM分析将客户群体划分成重要保持客户、重要发展客户、重要挽留客户、一般重要客户、一般客户、无价值客户等六个级别;(有可能某个级别不存在);
　　另外一个考虑是针对R、F、M三个指标的标准化得分按聚类结果进行加权计算，然后进行综合得分排名，识别各个类别的客户价值水平;

　　至此如果我们通过对RFM模型分析和进行的客户细分满意的话，可能分析就此结束!如果我们还有客户背景资料信息库，可以将聚类结果和RFM得分作为自变量进行其他数据挖掘建模工作!