https://wiki.mbalib.com/wiki/RFM模型
https://baike.baidu.com/item/RFM模型/7070365
資料分析方法：RFM模型 | 人人都是產品經理 https://www.woshipm.com/data-analysis/4194147.html
FRM分析
二、RFM的最大短板
RFM最大的短板，在於使用者ID統一認證；不要小看這幾個字，在相當多的企業裡非常難實現。
比如你去超市、連鎖店、門店買東西，往往收銀小妹會機械的問一句：有會員卡嗎？如果回答沒有，她也放你過去了；導致的結果，是線下門店的訂單，一般有70%-90%無法關聯到使用者ID；進而導致整個使用者資料是嚴重缺失的，直接套RFM很容易誤判使用者行為。
至於使用者一人多張會員卡輪流薅羊毛，多個使用者共同一張VIP卡拿最大折扣，店員自己用親戚的卡把無ID訂單的羊毛給薅了之類的事，更是層出不窮；而且在實體企業、網際網路企業都普遍存在。
所以做RFM模型的時候，如果你真看到111類使用者，別高興太早，十有八九是有問題的；現在的企業往往在天貓、京東、自有微商城、有贊等幾個平臺同時運作，更加大了統一認證的難度；如果沒有規劃好，很容易陷入無窮無盡的補貼大坑。
三、RFM的深層問題
即使做好了使用者ID統一認證，RFM還有一個更深層的問題。
讓我們回顧一下，RFM模型的三個基本假設：
- R：使用者離得越久就越有流失風險
- F：使用者頻次越高越忠誠
- M：使用者買的越多越有價值
反問一句：這三個假設成立嗎？
如果不結合具體行業、具體產品、具體活動來看，似乎是成立的；但是一旦具體討論就會發現：很多場景不滿足這三個假設；因此：單純講RFM，不結合產品、活動，是很容易出BUG的。
R：使用者離得越久就越有流失風險
- 如果是服裝這種季節性消費，使用者間隔2-3個月是很正常；
- 如果是手機、平板這種新品驅動產品，間隔時間基本跟著產品更新週期走；
- 如果是家居、住房、汽車這種大件耐用品，R就沒啥意義，使用者一輩子就買2次；
- 如果是預付費，後刷卡的模式，R就不存在了，需要用核銷資料代替。
所以R不見得就代表著使用者有流失風險，特別是現在有了埋點資料以後，使用者互動行為更能說明問題。
F：使用者頻次越高越忠誠
- 如果使用者消費是事件驅動的，比如賽事、節假日、生日、週末；
- 如果使用者消費是活動驅動的，比如啥時候有優惠啥時候買；
- 如果使用者消費是固定模式的，比如買藥的用量就是30天。
以上情況都會導致F的數值不固定，可能是隨機產生的，也可能是人為操縱的。
很多企業僵硬地執行RFM模型，往往會定一個固定的F值，比如促使使用者買4次，因為資料上看買了4次以上的使用者就很忠誠；結果就是引發使用者人為拆單，最後F值做上去了，利潤掉下來了。
M: 使用者買的越多越有價值
- 如果使用者是圖便宜，趁有折扣的時候囤貨呢？
- 如果使用者買了一堆，已經吃膩了、用夠了呢？
- 如果使用者買的是耐用品，買完這一單就等十幾二十年呢？
- 如果使用者消費本身有生命週期，比如母嬰，遊戲，已經到了生命週期末尾呢？
很多情況下，使用者過去買的多，不代表未來買的多，這兩者不劃等號；因此真看到011、001、101的客人，別急著派券，整明白到底出了啥問題才是關鍵。
除了單獨維度的問題外，三個維度連起來看，也容易出問題；因為很多公司的使用者結構不是金字塔形，而是艾菲爾鐵塔型——底部聚集了太多的不活躍使用者，且不活躍使用者大多隻有1單，或者只有幾次登入便流失；因此RFM真按八分類化出來，可能000的使用者比例特別多。
這意味著現有存活的使用者，可能是倖存者偏差的結果，現有的111不是000的未來；要更深層次地分析為啥會沉澱大量不活躍使用者，甚至從根上改變流程，才能解決問題；真按照RFM生搬硬套。可能就把業務帶到死衚衕裡了。