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、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，对得分排序，输出营销名单topN！
RFM背后的逻辑很简单。近期下单的客户在不久的将来再次购买的概率可能性非常大。在过去有许多购买记录的顾客更有可能在不久的将来再次购买，并且在过去消费较多的客户更有可能在将来消费更多。RFM是一种最大化现有客户收益的技术，而不是吸引新客户的技术。
将客户分配大RFM单元中，三个RFM变量需要转化为三个量化指标。近期：距离上次购买的天数或周数，用于得到R的得分。第二个变量频率，通常是以前下单的总数，记录F的得分。最后一个是客户生存期中的总的花费，该值用于创建M的得分。每个维度5等分。由于维度之间具有相关性，如F维和M维，所以各个单元格的客户数量并不相等。要做的就是将所有的数据都分配到合适的单元格中，而且每个单元格要有足够多的记录，从而目标估计值具有一个可以接受的置信度。
3.1、RFM单元格转移
对于每个营销活动，客户都会在RFM单元格之间转移。那些做出响应的客户对增加其消费频率和消费总额，并且会减少距上一次购买的时间。这些新的取值通常都会迁移到单元格中。没有响应的客户也可能因距上一次购买时间的增加而转移到新的单元格。其实这就是定期的数据更新，模型更新。数据的迁移，会导致原来的期望的变化，在数据单元格迁移过程中，要不断的了解客户的需求，及时的更改数据。
3.2、RFM和增量响应建模
增量响应建模的目标是识别那些容易被说服的潜在客户——受营销影响最大的人。RFM可以看成是对客户营销活动响应能力的预测。在定义好的RFM单元格之后，需要为每个单元格分配成员，要么是接收营销信息的测试组成员，要么就是不接受该信息的对照组成员。基于测试组和对照组两个分组之间的响应率之差决定了营销活动对于发现潜在客户的能力。对于测试组和对照组之间的响应率差异最大的单元格，营销获得产生的影响也是最大的。但这些单元格的响应率却未必是最大的。
三十多年来，直邮营销的市场商人使用非正式RFM分析为非盈利性组织把邮件发给最有可能捐赠的客户。RFM背后的道理很简单：曾经捐赠过的人更有可能再度捐赠。随着电子邮件行销活动和客户关系管理软件的出现， RFM评估已成为一个重要的工具。使用RFM分析，客户按照每个RFM参数可以被分成1，2，3，4，5（5是最高级别）五个级别。这三个分数一起被称为RFM单元（cell）。按照数据库的分类来确定哪些客户过去是“最好的客户”，如果一个单元排序为“ 555 ” 那自然是最理想的。
虽然RFM分析是一种有用的工具，但它也有局限性。公司必须小心，不要过度恳求有最高等级的客户。专家们也告诫商家要记住，不应忽视低单元等级的客户，相反应该培养其成为更好的客户。
