RFM的含义如下：
1、R（Recency）：客户最近一次交易时间的间隔。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。
2、F（Frequency）：客户在最近一段时间内交易的次数。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。
3、M（Monetary）：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。
4、RFM分析就是根据客户活跃程度和交易金额的贡献，进行客户价值细分的一种方法。
rfm分析方法如下：
我们通常采用交易数据的格式进行分析。因为交易数据可以整理成客户数据，而客户数据无法还原成交易数据。即用交易数据的字段可以得到客户数据的字段，反之不行。
具体是“交易数据”还是“客户数据”根据数据源文件的格式而定。
【分箱化】：评分的总分是多少
【输出】：可以全部勾选，为了能全面的解读RFM分析结果。
崭新-得分：最后一次交易的时间间隔得分；
频率-得分：交易总次数得分；
消费金额-得分：交易总金额得分；
RFM得分：RFM得分
分析结果解读：
该图主要用来查看每个RFM汇总得分的客户数量分布是否均匀。
我们期望均匀的分布，若不均分，则应该重新考虑RFM的适用性或尝试另一种分箱方法（减少分箱数目或随机分配绑定值）
“RFM热图”是交易金额均值在RS和FS绘制的矩阵图上的图形化表示，用颜色深浅表示交易金额均值的大小，颜色越深，表示相应矩阵块内的客户交易金额均值越高。
如本例随着RS和FS的分值增大，颜色越来越深，说明客户最近一次交易时间越近、交易次数越多，其平均交易金额越高。
该图是最后一次交易时间、交易总次数、交易总金额之间的散点图。
通过散点图可以清晰直观的看到三个分析指标两两之间的关系，便于指标相关性评估。
本例中，交易总次数和交易总金额存在较为明显的线性关系，而最后一次交易时间和另外两个分析指标之间的相关性较弱。
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。
1.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，除了跨平台分析也需要分平台对比，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？
想要解答这个问题，我们需要动用更高阶的分析模型，去挖掘有效信息。
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，可以去戳度娘，教科书式的RFM区分，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。
这样，之前提的四个问题，就能很容易被解读（编号次序RFM,1代表高，0代表低）
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。
本回答被网友采纳怎样更好的使用RFM模型进行营销分层？