RFM模型用于分析客户价值，它包括三个关键指标：
F(Frequency),消费频率
M(Monetary),消费金额
一般来说，最近一次消费的间隔越短、消费频率和消费金额越高，客户价值越大。
实际上在分析所有客户数据时，如果为每个客户计算R、F、M值，不能清晰直观地反映规律，所以我们按照R、F、M值对客户进行分组。
首先，选择每个客户并计算上述三个指标的值。
其次，从以上结果来看三个指标的平均值；
第三，对每个客户进行分组。
如果R值<平均R值，则属于R↑，我们标记为R_UP，否则属于R↓，我们标记为R_DOWN；F和M值的逻辑类似。如果F值>平均F值，则属于F↑，我们标记为F_UP，否则属于F↓，我们标记为F_DOWN；如果M值>平均M值，则属于M↑，我们标记为M_UP，否则属于M↓，我们标记为M_DOWN；
R↓F↓M↓R↑F↑M↑之间任意组合为8组，映射到业务定义，如下：
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
然后基于这个组和平均值，用户可以进行更复杂的分析和仪表板，如会员分类、会员百分比、会员消费百分比。
得到最终的RFM值，关键是得到R，F、M值分别与平均值的比较结果，如下图所示：
所有指标均使用新加度量值来实现。
首先来看R。
这里以最新的业务日期为锚点，最新业务日期的度量值,我们暂且将其命名为Rday：
为了更方便，我们先得出业务最新成交日期，暂且将其命名为Rmax。然后再求间隔。
DATEDIFF('Sales'[Rday],'Sales'[Rmax],Day)接下来计算平均间隔天数的度量值，这里将其命名为Ravg：
CALCULATE(AVERAGEX(SUMMARIZECOLUMNS('Customer'[Name],"rdayValues",datediff('Sales'[Rday],'Sales'[Rmax],day)),[rdayValues]),REMOVEFILTERS('Customer'[Name]))R和Ravg都有了，如果最近消费间隔天数比平均天数短，则客户价值越高，我们标记为R_UP，反之则低，标记为R_DOWN。
这里我们用Rrank来命名这个度量值。
IF('Sales'[R]<='Sales'[Ravg],"R_UP","R_DOWN")这样，R的指标就计算出来了。
下面用同样的方式来计算F和M.
我们需要拿到每个客户的消费频次，平均消费频次，然后将这两个值进行比较，得出F_UP或者F_DOWN。
客户的消费次数F
DISTINCTCOUNTX('Sales','Sales'[OrderNumber])平均消费频次Favg
CALCULATE(AVERAGEX(SUMMARIZECOLUMNS('Customer'[Name],"fCount",calculate(DISTINCTCOUNTX('Sales','Sales'[OrderNumber]))),[fCount]),REMOVEFILTERS('Customer'[Name]))Frank
IF('Sales'[F]<='Sales'[Favg],"F_UP","F_DOWN")Monetary:消费金额我们需要拿到每个客户的消费金额，平均消费金额，然后将这两个值进行比较，得出M_UP或者M_DOWN。
消费金额M
SUMX('Sales','Sales'[Quantity]*'Sales'[NetPrice])平均消费金额Mavg
CALCULATE(AVERAGEX(SUMMARIZECOLUMNS('Customer'[Name],"mValues",calculate('Sales'[M])),[mValues]),REMOVEFILTERS('Customer'[Name]))Mrank
IF('Sales'[M]<='Sales'[Mavg],"M_UP","M_DOWN")上面的这些度量值已把R、F、M三个指标计算出来，下面来看看如何展现根据这三个指标来对客户进行分类。
将三个指标组合成一个RFM值：
RFM值=[R值]&[F值]&[M值]
计算每个客户所属的RFM类型：
至此，RFM模型所需要的度量值已写完，利用这些度量值就可以进行RFM分析了。
另外，您也可以制作一张如下类似下图这样的综合数据看板，来辅助分析。
以上示例使用度量值来实现的整个过程，我们也可以通过计算列来实现各个步骤，最终得到的结果也是一个计算列。然后就可以使用结果作为维度和统计数据。