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。
最近一次消费的功能不仅在于提供的促销信息而已，营销人员的最近一次消费报告可以监督事业的健全度。优秀的营销人员会定期查看最近一次消费分析，以掌握趋势。月报告如果显示上一次购买很近的客户，(最近一次消费为1个月)人数如增加，则表示该公司是个稳健成长的公司；反之，如上一次消费为一个月的客户越来越少，则是该公司迈向不健全之路的征兆。
最近一次消费报告是维系顾客的一个重要指标。最近才买你的商品、服务或是光顾你商店的消费者，是最有可能再向你购买东西的顾客。再则，要吸引一个几个月前才上门的顾客购买，比吸引一个一年多以前来过的顾客要容易得多。营销人员如接受这种强有力的营销哲学——与顾客建立长期的关系而不仅是卖东西，会让顾客持续保持往来，并赢得他们的忠诚度。
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。
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”(loyaltyladder)，其诀窍在于让消费者一直顺着阶梯往上爬，把销售想像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。
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’sLaw)——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。
如果你的预算不多，而且只能提供服务信息给2000或3000个顾客，你会将信息邮寄给贡献40％收入的顾客，还是那些不到1％的顾客？数据库营销有时候就是这么简单。这样的营销所节省下来的成本会很可观。
结合这三个指标，我们就可以把顾客分成5＊5＊5=125类，对其进行数据分析，然后制定我们的营销策略。
最近一次消费、消费频率、消费金额是测算消费者价值最重要也是最容易的方法，这充分的表现了这三个指标对营销活动的指导意义。而其中，最近一次消费是最有力的预测指标。
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。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。该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三项指标来描述该客户的价值状况。
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。
有些人会用客户绝对贡献金额来分析客户是否流失，但是绝对金额有时会曲解客户行为。因为每个商品价格可能不同，对不同产品的促销有不同的折扣，所以采用相对的分级(例如R、F、M都各分为五级)来比较消费者在级别区间的变动，则更可以显现出相对行为。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。
企业在推行CRM时，就要根据RFM模型的原理，了解客户差异，并以此为主轴进行企业流程重建，才能创新业绩与利润。否则，将无法在新世纪的市场立足。
对于电信企业而言,不同的客户具有不同的内在价值,企业的首要问题就是采取有效方法对客户进行分类,发现客户内在价值的变化规律与分布特征,并以此制定客户的差别化服务政策,通过政策的实施将客户分类的结果作用于企业实践。
针对电信行业提出一种基于改进RFM模型的客户分类方法。应用层次分析法来确定RFM模型中每个变量的权重,在此基础上,应用K均值聚类法来对客户进行分类,之后分析每一类客户的行为特征和价值,并且对不同的顾客类别采取不同的策略。
一、电信行业RFM模型。
传统的RFM模型与电信业RFM模型的各指标含义比较
以客户交费的近度、频度和值度来替代客户消费的近度、频度和值度,基于以下几点考虑:
(2)客户交费次数相对较少,可以减少统计客户消费次数的工作量。
(3)客户交费额等于客户消费额.因此,从交费角度构建电信业的RFM模型是可取的。
二、RFM权重分析
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[4]。
认为针对不同的行业甚至不同的公司,频度、近度、值度的权重均存在一定差异,因此需要采用科学的方法进行分析.对此,以层次分析法为支撑,结合专家咨询方式来解决指标权重的确定问题。
评价矩阵
上表所示的两两比较矩阵的一致性比例C。
R<0.1,表明该判断矩阵的一致性可以接受。由上表得出RFM各指标相对权重为[WR,WF,WM]=[0.221,0.341,0.439]。其中M的权重最大,即专家们认为客户交费金额的高低是影响顾客价值高低的最主要因素。
三、客户分类
1.基于K-均值聚类法的客户分类过程应用K-均值聚类法[6],,以加权RFM为指标,将具有相近的顾客终身价值的客户进行分类,基本思路如下:
(1)将RFM各指标标准化。
(2)应用AHP法确定RFM各个指标的权重,并将各个指标加权。
(3)确定聚类的类别数量m。
(4)应用K-均值聚类法对加权后的指标进行聚类,得到m类客户。
(5)将每类客户的RFM平均值和总RFM平均值作比较,每次对比有两个结果:大于(等于)平均值和小于平均值,通过对比得到每类客户RFM的变动情况。
(6)根据每个客户类别的RFM的变动情况分析该客户类别的性质,如该客户类别是倾向于忠诚的还是倾向于背离的,然后在此基础上定义客户类型。
(7)对每类客户标准化后的各个指标取平均,将平均值加权求和,得到每类客户的顾客终身价值总得分,分析各类顾客终身价值的差别。
2.顾客类型识别分析
从某市通信公司2004年所有的电信客户记录中随机抽取了1026名客户的记录进行分析,数据的描述性统计见下表
数据描述
通过RFM分析将企业的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,各客户簇的客户级别如表4所示.客户分级不仅揭示了客户在级别上的差异,而且反映了客户在行为上的特性和变化倾向。电信企业通过RFM分析可将现有顾客划分为不同的客户等级,针对不同等级的客户,采取不同的管理策略.但是,这种分类只是确定了客户的等级,却没有各类客户之间的一个量化的价值比较,因而对各类客户做相应的终身价值分析是非常有必要的。
3.客户终身价值比较分析。
其中,WR、WF、WM分别为由AHP分析得来的R、F、M指标的权重最后,根据总得分的大小来对各类客户来进行排序(见表4).排名靠前的客户相对排名靠后的客户具有更高的顾客终身价值,忠诚度更高,对于企业来说更为重要.表5显示,客户簇3总得分最高,因此簇3的客户是企业最有价值的客户,而簇6客户总得分最后,因此可以认为簇6客户的价值最低.此外,对于处于同等级的客户簇1和簇3,簇5和蹴8进行了细分.从表5中还可以看出,簇3比簇1的价值大,簇5比簇8的价值大.此外,通过比较各簇的总得分,还可以比较各客户簇的价值.如簇3的价值是簇6价值的0.5693/0.3284=1.73倍。
标准化的RFM加权分类
在进行客户分类后再对客户的类别进行顾客终身价值排序,使得企业能够量化各类客户的价值的差别,弥补了的客户分类方法的不足。这有助于企业制定更为可行的客户政策。由于受到成本的制约,电信企业不可能采取无差别的个性化服务,企业只能将资源集中在少数几类对企业重要的客户上.按照总得分的排列情况,企业应该优先将资源投放到总得分较高的客户身上。