模型3：RFM模型-用户行为
RFM模型
根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)。
RFM模型：
R(Recency)表示客户最近一次购买的时间有多远，
F(Frequency)表示客户在最近一段时间内购买的次数，
M (Monetary)表示客户在最近一段时间内购买的金额。
一般原始数据为3个字段：客户ID、购买时间（日期格式）、购买金额，用数据挖掘软件处理，加权（考虑权重）得到RFM得分，进而可以进行客户细分，客户等级分类，Customer Level Value得分排序等，实现数据库营销！
（编号次序RFM,1代表高，0代表低）
重要价值客户（111）：最近消费时间近、消费频次和消费金额都很高，必须是VIP啊！
重要保持客户（011）：最近消费时间较远，但消费频次和金额都很高，说明这是个一段时间没来的忠实客户，我们需要主动和他保持联系。
重要发展客户（101）：最近消费时间较近、消费金额高，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。
重要挽留客户（001）：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当基于挽留措施。
RFM模型的应用
旨在建立一个用户行为报告，这个报告会成为维系顾客的一个重要指标。
划分客户生命周期
个性化推荐
基于内容的推荐方法就是根据用户过去的浏览记录来向用户推荐用户没有接触过的推荐项。
基于用户的协同过滤推荐是基于一个这样的假设“跟你喜好相似的人喜欢的东西你也很有可能喜欢。”所以基于用户的协同过滤主要的任务就是找出用户的最近邻居，从而根据最近邻 居的喜好做出未知项的评分预测。
基于知识的推荐在某种程度是可以看成是一种推理技术，它们的推荐过程相似：用户必须指定需求，然后系统设法给出解决方式。假设找不到解决方式，用户必须改动需求。此外，系统还要给出推荐物品的解释。
相关阅读：
