RFM数据模型的意义
会员价值体现在持续不断的为企业带来稳定的销售和利润，同时也为企业策略的定制提供数据支持。
所以连锁餐饮企业总在想尽一切办法吸引更多的人成为会员，并且尽可能提高他们的忠诚度，忠诚度高的顾客表现为经常光顾，有较高的价格忍耐度，愿意支付更高的价格，也愿意向他人推荐，对品牌满意度较高等等。
会员忠诚度高不一定会员价值就高，还得看他们的实际消费金额，也就是消费力，一般来说，我们会从以下几个指标去评估会员的综合价值：
1、最近一次消费时间
理论上来讲，上一次购买时间距离现在越近的顾客价值越大，而他们得到的营销机会也会比很久没有光顾的顾客大，这个变化是实时的，所以我们要不断的激活顾客消费。
2、（某个周期内）消费频率
消费频率越高顾客的忠诚度越大，我们需要不断的采取营销手段去提高每个顾客的消费频率，这也是提高营销非常有效的方法，一个产品没有重复购买的企业是非常危险的，意味着都是一锤子买卖。
3、（某个周期内的）消费金额
消费金额越大，顾客的消费能力也越大，在二八法则中，20%的顾客贡献了80%的销售额，而这些顾客也是需要得到更多的营销资源，当促销活动的费用资源不足的时候，这些高端的顾客就是你的首选对象。
4、（某个周期内）最大单笔消费金额
这也是判断顾客的消费力的指标，主要看顾客的消费潜力
5、（某个周期内）特价商品消费占比
这个指标表示在顾客的总销售额中有多少是购买的特价商品，把他作为一个顾客价格敏感度的指标
6、（某个周期内）高单价商品消费占比
这个指标表示在顾客的总销售额中有多少是购买的高单价商品，将“特价商品消费占比”结合起来作为价格敏感度区间的参考。
前3项就是著名的顾客价值研究的RFM模型，分别是R-Recency（最近购买时间），F-Frequency（消费频率），M-Monetary（消费金额）。这三个指标最早是来源于美国数据库营销机构的研究，后来随着企业分析目标的不同，也会增加后3个指标一起来做会员价值衡量。例如：价格容忍度；
RFM模型主要评判了客户的两个维度，即忠诚度、购买力。通过以上三个维度综合分析，就可以完整的刻画出客户价值。本次我们先从传统模式上的RFM模型开始梳理。
如何准备数据
一般来说数据准备会分为4步，第一步：需求梳理；第二步：数据模型设计；第三步：数据逐层抽取；第四步：应用层数据加工；那么我们就逐步对数据进行讲解。
01、需求整理
我们期待的分析场景：
1、构建一套可用的RFM模型；
2、了解不同价值的用户是什么样的偏好动态习惯（当然也可以增加静态属性，如性别，年龄段等等）；
3、对不同偏好的用户做分类营销活动；
02、数据模型设计
原始数据是以会员ID+时间戳 的消费情况明细记录，如下图：
对于这样一份基础数据，基于我们第一步期待的分析场景，我们需要建立的数据模型将设计如下构成如下展示：
其中对于一些派生指标是需要计算，如R值，计算逻辑如下：
R值：客户最后一次购买日期与当前日期的时间差 ，按天累计；假设分区日期为’20200620’，若会员最后一次购买日期为’20200611’，那么R值为9；
F值：在一个周期内消费次数累计；
M值：在一个周期内消费金额累计（包含消费金额、储值金额）；根据不同的业务需求，企业更期待知道客户对于消费品的价格容忍度，则可以将M值设定为日均消费金额或其他跟金额相关的指标。
分类：是将R、F、M值切割成5分，用户可以根据企业、门店、地域等不同粒度做数值切割，这部分可以在HBI中实现；
03、数据逐层抽取并加工
在这两个过程中需要一个数据加工过程，将数据进行汇总，以便加工成最终可应用的结果，加工数据流转过程如下图：
注：此过程的加工由数据仓库完成，在HBI中无感知，如若有开发需求，可咨询HBI产品组。
如何用HBI完成数据可视化
市面上有相当多的可视化工具，绝对能够挑花你的眼，但这些大多是门槛比较高的工具，比如Gantti、Paper.js、Highchart.js等等，它们在技术层面上确实做的很出色，也很成熟。但是针对的使用人群也比较单一，就是程序员。
哗啦啦集团期待的是将数据可视化变成一个没有门槛的事情，只有大家都能轻松上手，才能真正实现数据价值最大化；本章就是利用哗啦啦集团大数据部门自主研发的可视化工具HBI完成会员价值可视化展示。
首先，数据上传
需要将储备好的数据导入到HBI中，目前HBI可以接入数据源的方式有excel/csv 、业务数据源、API接入等等；若客户购买了哗啦啦集团产品，业务数据源即可咨询相关人员配置接入；
其次，调参
以往，我们在数据模型中，所有的边界条件或者模型参数都是写“死”的，这样会使得一个普适化的模型，因为参数的固化使得最终的结论跟实际业务场景有偏颇；HBI这里就体现出绝对的优势，HBI支持用户自行对模型调参，通过业务方对自身集团的了解，对R值、F值、M值做分类或者类型切割从而得到适用于本身集团的业务模型。例如根据RFM切割参数分区，即可通过创建计算字段做归类划分，也可通过创建分组字段做分区划分，下图则是。
图1：通过创建计算字段做归类划分
图2：通过创建分组字段做分区划分
最后，展示
我们需要建设仪表盘做业务展示，这种会因人而异，每个人对业务的理解以及数据展示方式的认知不同，都会导致仪表盘展示的不同。这里就展示其中一种的可能性，更多的可能性期待大家一起“解锁”；
先给大家看一个制作完成的样式：
如何解读数据
注：以下所有的数据均做脱敏处理
对于R值解读，R值是最近一次消费和分区时间，理论上R值越小的客户价值越高，可以参考解读方法如下：
① 客户R值在每个月度周期内，消费人数占比；
② 一定周期内，复购人数分布。
观察看上，可以看出，客户R值呈现，波浪形分布。且[300,400）天的周期内用户复购占比50.21%。这其实是一个比较理想的模型结构了，说明每引入2个客户，就有一个客户在持续购买。
对于F值解读，F值是客户购买频次，对于餐饮客户来说一般按照一年为周期来看购买频次，可以参考解读方法如下：
① 购买1次（新客）占比，产生复购的（老客）的占比；
② 购买3次以上的客户（成熟客户）占比，购买5次以上的客户（忠诚客户）占比。
对于M值解读，M值相对于R值和F值最难衡量，但也最具有分析价值。我们熟知的“二八定律”，即20%的客户贡献了80%的流水，但是这一点在在很多集团或门店数据上看来，是很难得到精确的验证，一般都是30%的客户贡献70%的流水，或40%客户贡献60%的流水。所以M值是可以从一个角度分析会员的健康程度以及会员对于价格敏感度都可以在M分组中感受的到，可以参考解读方法如下：
① 45.05%的消费会员日均累计消费金额在（0，20]；
② 客户对¥40以上的金额较为敏感；
同时，根据上文中，我们的数据模型建设，可以通过对不同标签的客户，查看某个类型下的客户的偏好口味、偏好消费时段、偏好菜品等，以便通过RFM的标签了解更多的客户偏好度。
以上我们可以看出：通过“RFM”，企业可以很好的衡量企业的客户价值和客户的创利能力，动态的展示了客户的全部轮廓，这也对个性化服务提供了依据，同时，如果与忠诚客户打交道时间足够的长，也能够精确的判断该客户的长期价值（甚至是终生价值），而哗啦啦集团自主研发的HBI就为企业的数据分析提供平台，企业通过对这三个指标的观察，为精准营销提供更多的决策支持。