坐标系上，三个坐标轴的两端代表消费水平从低到高，用户会根据其消费水平，落到坐标系内。当有足够多的用户数据，我们就能以此划分大约八个用户群体。

　　比如用户在消费金额、消费频率、最近一次消费时间中都表现优秀，那么他就是重要价值用户。

　　如果重要价值用户最近一次消费时间距今比较久远，没有再消费了，他就变成重要挽留用户。因为他曾经很有价值，我们不希望用户流失，所以运营人员和市场人员可以专门针对这一类人群唤回。

　　图中不同的象限区域，都对应不同的消费人群。大家是愿意简单地视为一体去运营，还是根据人群区别对待呢？

　　这就是RFM模型，曾经在传统行业被频繁应用，而在以消费为主的运营体系中能够移植过来为我们所用，它既是CRM系统的核心，而是消费型用户分群的核心。

　　RFM模型的主流分群方式有两种。

　　一种是建立指标，以指标作为划分依据，和用户分层差不多。

　　指标的判断和设立，需要业务专家的经验：

　　什么样的算高消费频率，什么样的算低，消费多少金额算有价值，这些都是学问。

　　并且需要不断修正和改进。

　　上图是一个简化的划分，实际应用会更复杂，因为指标未必有代表性。大部分收费相关的数据，都会呈长尾分布，80%用户都集中在低频低金额的区间，20%的用户却又创造了大部分营收，这是划分的难点。

　　指标一般用描述性统计的分位数，以中位数、第一四分位数、第三四分位数等划分。

　　另外一种是用算法，通过数据挖掘建立用户分群，不需要人工划分。最常见的算法叫KMeans聚类算法，核心思想是「物以类聚，人以群分」。

　　我们以网上某公司的数据进行Python建模，首先无量纲化(z-score)处理，并且清洗掉异常极值。

　　上图的三列数据是经过标准化后的用户消费数据。值越接近0，说明离平均水平越近。r值因为是最近一次消费时间，所以值越小，说明时间越接近，值越大，说明消费越久远。

　　通过RFM三个指标（在机器学习中叫做特征），先建立可视化的散点图。下图是最近一次收费R和收费金额M的散点图。每一个点都代表着一位用户的收费相关数据

　　散点图上暂时看不出用户分群的规律，只能初步判断，大部分的数据呈集中趋势。

　　既然KMeans算法的核心思想是「物以类聚，人以群分」，它就是以距离作为目标函数。简而言之，在距离上越接近的两个用户，其相似的可能性也越大，于是KMeans就把相似的群体找出来，叫做簇。簇与簇之间的距离越大，用户群体间越独立，这叫群分；簇内的距离越紧凑，说明用户们越相似，这叫类聚。

　　通过图表说话：

　　红圈标出的这些用户，更有可能相似，属于同一个用户群体。因为他们在R和M这两个指标上，数据接近，都处于消费金额较低，且近期有消费的人群。

　　至于是不是，让算法解决吧，具体的算法原理和过程就不演示了。我们假设能划分出五类用户群体，然后看下这些人群是什么样的。

　　上图的不同颜色，就是算法计算出的用户群体。

　　红色用户群体：代表的是高消费金额，因为数量稀少，所以在最近一次消费时间上没有明显区分，不过并不久远。这些都是产品的爸爸和金主。