在日常生活中，餐饮业和销售业是最容易凸显数据分析优势的行业，因为他们的数据格式比较规范，且交易记录时序性与连续性较强，能够更好地凸显产品交易特征，下面为大家介绍一个经典的数据分析模型-RMF客户价值和创利模型，它被很多大型企业使用，包括淘宝、中国电信等。
一、模型说明
二、案例演示
三、优缺点
1.1RFM模型
是最适合用来分析客户价值的数据分析模型，使用这个模型分析后配合匹配的营销方法能够让业绩进行大幅度提升，RFM具有分析结构简单、易用、数据容易获取等特性，通过这个模型可以衡量客户价值和创造利润能力，它通过三个简单的指标可以将客户按照价值分成八个类别，从而使用不同的销售策略提升业绩。
这三个指标分别
最近一次消费(Recency)
消费频率(Frequency)
消费金额(Monetary)
1.2八个客户类别
客户类别分群方法：
如R值高于群体平均R值，那么客户属于R+，低于平均则为R-。
如F值高于群体平均F值，那么客户属于F+，低于平均则为F-。
如M值高于群体平均M值，那么客户属于M+，低于平均则为M-。
通过以上分类则可确定以下八类客户
R↑F↑M↑：重要价值客户
R+F+M-：一般价值客户
R+F-M+：重要发展客户
R+F-M-：一般发展客户
R-F+M+：重要保持客户
R-F+M+：一般保持客户
R-F-M+：重要挽留客户
R-F-M-：一般挽留客户
1.3参数说明：
（在日常分析中这一指标是持续变动的，例如客户购买产品的间隔超过一个月，那么在数据库里面他的R指标就变为两个月，而如果正好他刚刚购买了产品，那他的R指标就变成了很短的几天）
F-消费频次
R指标中可以使用客户在限定的期间内购买次数，也可以是总购买频次。具体使用哪种范围的依据是根据产品品类的宽度及是否耐用品等。
M-消费金额
指的是用户在统计周期（此周期与R指标相同）内消费的总金额，体现消费者创造利润的价值。
2案例演示
下面我们以会员消费记录来进行展示，数据使用随机生成的结构化数据，为了普遍性和可操作性使用excel进行演示。
接下来计算F指标，使用conuntif函数（因为数据使用的随机数，所以1次较多。）
最后计算M指标
得出这三个函数之后，计算出各指标的平均值，分别计算出各会员的价值后再进行客户价值层次划分。（这里要注意频次高度与平均数的大小关系）
然后根据上面的客户价值分层表即可标识出不同层级的客户价值，然后根据不同的客户价值进行不同的营销策略即可。
3优点
同时RFM模型对业务人员来说比较友好，模型比较简单，业务人员通过excel就可以进行分析。通过分析后的八个维度客户价值，业务人员能够迅速定位不同客户的不同营销策略。
缺点
RFM的分析属于后置分析类型，只能通过客户的购买行为才能进行分析，而且对客户在不同时期的购买行为、心理等这些人为因素没有进行考虑，具备一定的局限性。
再则RFM对于快消行业、零售行业、餐饮行业等较为适合，但是对于大件物品或者是单品价值较高的产品则失去了参考价值，例如电视、冰箱等大件物品的分析此模型就力不从心了。