正文
常见的RFM模型（8种类型）：
（图片转自《案例：手把手教你搭建RFM客户价值分析模型》，作者启方）
RFM为运营者提供了数据驱动精细化运营的一个方法论。时间紧任务重，哪些用户比较容易转化/复购？哪些用户处于流失边缘、需要采取特定手段拉回来？哪些用户可以放弃了？
激励体系的设计，也需要结合这样的分层模型。比如双十一活动中，满减券的满减面额如何设计较合理呢？不同面额的代金券推送人群是否合理？
在进行操作前，需要调出用户的R,F,M值。
1. 数据分层
以R值为例，各区间的起始值是什么？比如，按30天，90天，180天，365天，>365天划分吗？还是更精细？F值，M值同理。
具体拿金额M值来举例，一共1-5分5个梯度，金额区间对应0元-12万消费金额，低于5000的充值消费金额的群体我们判断为一般会员，只给1分；5000-50000的为2分，5万-10万为3分，大于10万为4分，大于12万以上的获得5分，分值越高证明该用户质量越好。
区间的划分需要结合实际会员充值金额的分布情况和客单价等因素做出划分，运营同学的判断尤为重要。当你觉得区间梯度设置过大时，可细分每个区间，然后和原区间设计对比各区间得分群体人数分布变化，如果变化不大，个人觉得细分的必要性就没有那么重要了。
区间的起点和终点的值的划分更为重要些
，这直接判断了一个用户的好坏。
下图做一示范，具体三个维度的划分区间值为：
2. 给用户打分
分层确定后，可据此对用户数据进行打分。主要用lookup公式可完成每个用户的打分，用我们划分好的区间跟真实用户数据做配对即可：
=LOOKUP(E2,$O$3:$P$7)
，其他两个数值同理。
3. 得出三个参数下各会员的得分和分布情况
这里用到的公式为：
=COUNTIF(F:F,"="&O12)
4. 确定结果
