RFM模型

用手机看条目

出自 MBA智库百科(https://wiki.mbalib.com/)

目錄

RFM模型的內容

  根據美國資料庫營銷研究所Arthur Hughes的研究,客戶資料庫中有三個神奇的要素,這三個要素構成了數據分析最好的指標

  • 最近一次消費(Recency)
  • 消費頻率(Frequency)
  • 消費金額(Monetary)

最近一次消費

  最近一次消費意指上一次購買的時候——顧客上一次是幾時來店裡、上一次根據哪本郵購目錄購買東西、什麼時候買的車,或在你的超市買早餐最近的一次是什麼時候。

  理論上,上一次消費時間越近的顧客應該是比較好的顧客,對提供即時的商品或是服務也最有可能會有反應。營銷人員若想業績有所成長,只能靠偷取競爭對手的市場占有率,而如果要密切地註意消費者購買行為,那麼最近的一次消費就是營銷人員第一個要利用的工具。歷史顯示,如果我們能讓消費者購買,他們就會持續購買。這也就是為什麼,0至6個月的顧客收到營銷人員的溝通信息多於31至36個月的顧客

咨詢工具
安索夫矩陣
案例面試分
析工具/框架
ADL矩陣
安迪·格魯夫的
六力分析模型
波士頓矩陣
標桿分析法
波特五力分析
模型
波特價值鏈
分析模型
波士頓經驗曲線
波特鑽石理論模型
貝恩利潤池
分析工具
波特競爭戰略
輪盤模型
波特行業競爭結構
分析模型
波特的行業組織
模型
變革五因素
BCG三四規則矩陣
產品/市場演變
矩陣
差距分析
策略資訊系統
策略方格模型
CSP模型
創新動力模型
定量戰略計劃矩陣
大戰略矩陣
多點競爭戰略
杜邦分析法
定向政策矩陣
德魯克七種
革新來源
二元核心模式
服務金三角
福克納和鮑曼的
顧客矩陣
福克納和鮑曼的
生產者矩陣
FRICT籌資分析法
GE矩陣
蓋洛普路徑
公司層戰略框架
高級SWOT分析法
股東價值分析
供應和需求模型
關鍵成功因素
分析法
崗位價值評估
規劃企業願景的
方法論框架
核心競爭力分析
模型
華信惠悅人力
資本指數
核心競爭力識別
工具
環境不確定性分析
行業內的戰略群體
分析矩陣
橫向價值鏈分析
行業內戰略集團
分析
IT附加價值矩陣
競爭態勢矩陣
基本競爭戰略
競爭戰略三角模型
競爭對手分析論綱
價值網模型
績效棱柱模型
價格敏感性測試法
競爭對手的成本分析
競爭優勢因果關係
模式
競爭對手分析工具
價值鏈分析方法
腳本法
競爭資源四層次模型
價值鏈信息化管理
KJ法
卡片式智力激勵法
KT決策法
擴張方法矩陣
利益相關者分析
雷達圖分析法
盧因的力場分析法
六頂思考帽
利潤庫分析法
流程分析模型
麥肯錫7S模型
麥肯錫七步分析法
麥肯錫三層面理論
麥肯錫邏輯樹分析法
麥肯錫七步成詩法
麥肯錫客戶盈利性
矩陣
麥肯錫5Cs模型
內部外部矩陣
內部因素評價矩陣
諾蘭的階段模型
牛皮紙法
內部價值鏈分析
NMN矩陣分析模型
PEST分析模型
PAEI管理角色模型
PIMS分析
佩羅的技術分類
PESTEL分析模型
企業素質與活力分析
QFD法
企業價值關聯分析
模型
企業競爭力九力分析
模型
企業戰略五要素分析法
人力資源成熟度模型
人力資源經濟分析
RATER指數
RFM模型
瑞定的學習模型
GREP模型
人才模型
ROS/RMS矩陣
3C戰略三角模型
SWOT分析模型
四鏈模型
SERVQUAL模型
SIPOC模型
SCOR模型
三維商業定義
虛擬價值鏈
SFO模型
SCP分析模型
湯姆森和斯特克蘭
方法
V矩陣
陀螺模型
外部因素評價矩陣
威脅分析矩陣
新7S原則
行為錨定等級評價法
新波士頓矩陣
系統分析方法
系統邏輯分析方法
實體價值鏈
信息價值鏈模型
戰略實施模型
戰略鐘模型
戰略地位與行動
評價矩陣
戰略地圖
組織成長階段模型
戰略選擇矩陣
專利分析法
管理要素分析模型
戰略群模型
綜合戰略理論
縱向價值鏈分析
重要性-迫切性模型
知識鏈模型
知識價值鏈模型
知識供應鏈模型
組織結構模型
[編輯]

  最近一次消費的過程是持續變動的。在顧客距上一次購買時間滿一個月之後,在資料庫里就成為最近一次消費為兩個月的客戶。反之,同一天,最近一次消費為3個月前的客戶作了其下一次的購買,他就成為最近一次消費為一天前的顧客,也就有可能在很短的期間內就收到新的折價信息。

  最近一次消費的功能不僅在於提供的促銷信息而已,營銷人員的最近一次消費報告可以監督事業的健全度。優秀的營銷人員會定期查看最近一次消費分析,以掌握趨勢。月報告如果顯示上一次購買很近的客戶,(最近一次消費為1個月)人數如增加,則表示該公司是個穩健成長的公司;反之,如上一次消費為一個月的客戶越來越少,則是該公司邁向不健全之路的徵兆。

  最近一次消費報告是維繫顧客的一個重要指標。最近才買你的商品、服務或是光顧你商店的消費者,是最有可能再向你購買東西的顧客。再則,要吸引一個幾個月前才上門的顧客購買,比吸引一個一年多以前來過的顧客要容易得多。營銷人員如接受這種強有力的營銷哲學——與顧客建立長期的關係而不僅是賣東西,會讓顧客持續保持往來,並贏得他們的忠誠度。

消費頻率

  消費頻率是顧客在限定的期間內所購買的次數。我們可以說最常購買的顧客,也是滿意度最高的顧客。如果相信品牌及商店忠誠度的話,最常購買的消費者,忠誠度也就最高。增加顧客購買的次數意味著從競爭對手處偷取市場占有率,由別人的手中賺取營業額

  根據這個指標,我們又把客戶分成五等分,這個五等分分析相當於是一個“忠誠度的階梯”(loyalty ladder),其訣竅在於讓消費者一直順著階梯往上爬,把銷售想像成是要將兩次購買的顧客往上推成三次購買的顧客,把一次購買者變成兩次的。

消費金額

  消費金額是所有資料庫報告的支柱,也可以驗證“帕雷托法則”(Pareto’s Law)——公司80%的收入來自20%的顧客。它顯示出排名前10%的顧客所花費的金額比下一個等級者多出至少2倍,占公司所有營業額的40%以上。如看累計百分比的那一欄,我們會發現有40%的顧客貢獻公司總營業額的80%;而有60%的客戶占營業額的90%以上。最右的一欄顯示每一等分顧客的平均消費,表現最好的 10%的顧客平均花費1195美元,而最差的10%僅有18美元

  如果你的預算不多,而且只能提供服務信息給2000或 3000個顧客,你會將信息郵寄給貢獻40%收入的顧客,還是那些不到1%的顧客?資料庫營銷有時候就是這麼簡單。這樣的營銷所節省下來的成本會很可觀 。

  結合這三個指標,我們就可以把顧客分成5*5*5 = 125類,對其進行數據分析,然後制定我們的營銷策略。

  最近一次消費、消費頻率、消費金額是測算消費者價值最重要也是最容易的方法,這充分的表現了這三個指標對營銷活動的指導意義。而其中,最近一次消費是最有力的預測指標。

RFM模型的應用意義

  在眾多的客戶關係管理(CRM)的分析模式中,RFM模型是被廣泛提到的。RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段。該模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢三項指標來描述該客戶的價值狀況。

  RFM模型較為動態地層示了一個客戶的全部輪廓,這對個性化的溝通和服務提供了依據,同時,如果與該客戶打交道的時間足夠長,也能夠較為精確地判斷該客戶的長期價值(甚至是終身價值),通過改善三項指標的狀況,從而為更多的營銷決策提供支持。

  在RFM模式中,R(Recency)表示客戶最近一次購買的時間有多遠,F(Frequency)表示客戶在最近一段時間內購買的次數,M (Monetary)表示客戶在最近一段時間內購買的金額。一般的分析型CRM著重在對於客戶貢獻度的分析,RFM則強調以客戶的行為來區分客戶。

  RFM非常適用於生產多種商品的企業,而且這些商品單價相對不高,如消費品、化妝品、小家電、錄像帶店、超市等;它也適合在一個企業內只有少數耐久商品,但是該商品中有一部分屬於消耗品,如複印機、印表機、汽車維修等消耗品;RFM對於加油站、旅行保險、運輸、快遞、快餐店、KTV、行動電話信用卡證券公司等也很適合。

  RFM可以用來提高客戶的交易次數。業界常用的DM(直接郵寄),常常一次寄發成千上萬封郵購清單,其實這是很浪費錢的。根據統計(以一般郵購日用品而言),如果將所有R(Recency)的客戶分為五級,最好的第五級回函率是第四級的三倍,因為這些客戶剛完成交易不久,所以會更註意同一公司的產品信息。如果用M(Monetary)來把客戶分為五級,最好與次好的平均回覆率,幾乎沒有顯著差異。

  有些人會用客戶絕對貢獻金額來分析客戶是否流失,但是絕對金額有時會曲解客戶行為。因為每個商品價格可能不同,對不同產品的促銷有不同的折扣,所以採用相對的分級(例如R、F、M都各分為五級)來比較消費者在級別區間的變動,則更可以顯現出相對行為。企業用R、F的變化,可以推測客戶消費的異動狀況,根據客戶流失的可能性,列出客戶,再從M(消費金額)的角度來分析,就可以把重點放在貢獻度高且流失機會也高的客戶上,重點拜訪或聯繫,以最有效的方式輓回更多的商機。

  RFM也不可以用過頭,而造成高交易的客戶不斷收到信函。每一個企業應該設計一個客戶接觸頻率規則,如購買三天或一周內應該發出一個感謝的電話或Email,並主動關心消費者是否有使用方面的問題,一個月後發出使用是否滿意的詢問,而三個月後則提供交叉銷售的建議,並開始註意客戶的流失可能性,不斷地創造主動接觸客戶的機會。這樣一來,客戶再購買的機會也會大幅提高。

  企業在推行CRM時,就要根據RFM模型的原理,瞭解客戶差異,並以此為主軸進行企業流程重建,才能創新業績與利潤。否則,將無法在新世紀的市場立足。

RFM模型案例分析

案例一:基於RFM的電信客戶市場細分方法[1]

  對於電信企業而言,不同的客戶具有不同的內在價值,企業的首要問題就是採取有效方法對客戶進行分類,發現客戶內在價值的變化規律與分佈特征,並以此制定客戶的差別化服務政策,通過政策的實施將客戶分類的結果作用於企業實踐。

  針對電信行業提出一種基於改進RFM模型的客戶分類方法。應用層次分析法來確定RFM模型中每個變數的權重,在此基礎上,應用K均值聚類法來對客戶進行分類,之後分析每一類客戶的行為特征和價值,並且對不同的顧客類別採取不同的策略。

   一、電信行業RFM模型。

  客戶分類方法主要有基於顧客利潤率的分類和基於指標組合的客戶分類方法[2]。RFM模型經常使用的三個指標是近度(Recency)、頻度(Fre2quency)、值度(Monentary)[3]。以RFM模型為基礎,通過客戶的RFM行為特征衡量分析客戶忠誠度與客戶內在價值.按照傳統的RFM模型,以客戶最後一次購買到當前的時間間隔為近度,則對於每天都在使用電信業務的客戶,其近度為零,不同的客戶區分度很小;如果客戶在一定時期內使用電信業務的次數數量非常大,則客戶的頻度也將是一個很大的數量.因此按照傳統的RFM模型對電信企業客戶進行分析是沒有意義的。從客戶交費角度來考慮電信業客戶的RFM模型,改進後的RFM指標與傳統的RFM指標含義比較如下表所示:

   傳統的RFM模型與電信業RFM模型的各指標含義比較

模型R(近度)F(頻度)M(值度)
傳統的RFM模型客戶最近一次客戶一定時期客戶一定時期
購買距離分析內購買該企業內購買該企業
點的時間產品的次數產品的總金額
電信業RFM模型客戶最後一次客戶一定時期客戶一定時期
交費距離分析內交費的次數內的交費總額
點的時間


  以客戶交費的近度、頻度和值度來替代客戶消費的近度、頻度和值度,基於以下幾點考慮:

  (1)客戶交費的時間間隔較大,以交費近度替代消費近度,避免了客戶消費的近度難於區分的問題。

  (2)客戶交費次數相對較少,可以減少統計客戶消費次數的工作量。

  (3)客戶交費額等於客戶消費額.因此,從交費角度構建電信業的RFM模型是可取的。

  二、RFM權重分析

  對RFM各變數的指標權重問題,Hughes,Arthur認為RFM在衡量一個問題上的權重是一致的,因而並沒有給予不同的劃分。而Stone,Bob通過對信用卡實證分析,認為各個指標的權重並不相同,應該給予頻度最高,近度次之,值度最低的權重[4]

  認為針對不同的行業甚至不同的公司,頻度、近度、值度的權重均存在一定差異,因此需要採用科學的方法進行分析.對此,以層次分析法為支撐,結合專家咨詢方式來解決指標權重的確定問題。

  研究邀請了被研究的某電信企業的兩位地區經理、兩位市場營銷人員和一位長期客戶應用文獻[5]的標度含義對RFM各指標權重進行比較分析。在分別得到五位評價者的兩兩比較矩陣後,採取取平均的方法得到下表的評價矩陣。

  評價矩陣

RFM
R10.710.46
F1.4110.85
M2.181.181

   上表所示的兩兩比較矩陣的一致性比例C。

  R < 0.1,表明該判斷矩陣的一致性可以接受。由上表得出RFM各指標相對權重為[WR,WF,WM]=[0.221,0.341,0.439]。其中M的權重最大,即專家們認為客戶交費金額的高低是影響顧客價值高低的最主要因素。

   三、客戶分類

  1.基於K-均值聚類法的客戶分類過程應用K-均值聚類法[6],,以加權RFM為指標,將具有相近的顧客終身價值的客戶進行分類,基本思路如下:

  (1)將RFM各指標標準化。

  (2)應用AHP法確定RFM各個指標的權重,並將各個指標加權。

  (3)確定聚類的類別數量m。

  (4)應用K-均值聚類法對加權後的指標進行聚類,得到m類客戶。

  (5)將每類客戶的RFM平均值和總RFM平均值作比較,每次對比有兩個結果:大於(等於)平均值和小於平均值,通過對比得到每類客戶RFM的變動情況。

  (6)根據每個客戶類別的RFM的變動情況分析該客戶類別的性質,如該客戶類別是傾向於忠誠的還是傾向於背離的,然後在此基礎上定義客戶類型。

  (7)對每類客戶標準化後的各個指標取平均,將平均值加權求和,得到每類客戶的顧客終身價值總得分,分析各類顧客終身價值的差別。

  2.顧客類型識別分析

  從某市通信公司2004年所有的電信客戶記錄中隨機抽取了1026名客戶的記錄進行分析,數據的描述性統計見下表

   數據描述

指標最小值最大值平均值標準差
近度212860.0720.191
頻度0135.981.861
值度54.431499.17704.7467216.22068

  由於RFM數據的量綱各不相同,數據的取值也存在很大的差異.為了消除分佈差異較大和量綱不同的影響,在對各個指標進行加權之前,需要考慮對數據進行標準化處理.由於F,M指標對顧客價值存在正相關的影響,因此其標準化調整通過x^\prime=(x-x^s)/(x^l-x^s)進行。其中,x^\prime為標準化後的值,x為原值,xs為該指標最小值,xl為該指標最大值。R對顧客價值存在負相關關係,因此其標準化調整公式為x^\prime=(x^l-x)/(x^l-x^s)

  使用K-均值聚類法時,需要預先判斷其聚類的類別數。在模型中客戶分類通過每個顧客類別RFM平均值與總RFM平均值相比較來決定的,而單個指標的比較只能有兩種情況:大於(等於)或小於平均值,因此可能有2\times2\times2=8種類別。

  標準化和確定聚類類別數後,進行聚類分析,得到8類客戶.將8類客戶的RFM平均值與總RFM均值比較.如果單個客戶類別的均值大於總均值,則給該指標一個向上的箭頭:“\uparrow”標記,反之則用“\downarrow”,如下表所示

Image:聚类分析后产生的 8个客户类别.jpg

  通過RFM分析將企業的客戶群體劃分成重要保持客戶、重要發展客戶、重要輓留客戶、一般重要客戶、一般客戶、無價值客戶等六個級別,各客戶簇的客戶級別如表4所示.客戶分級不僅揭示了客戶在級別上的差異,而且反映了客戶在行為上的特性和變化傾向。電信企業通過RFM分析可將現有顧客劃分為不同的客戶等級,針對不同等級的客戶,採取不同的管理策略.但是,這種分類只是確定了客戶的等級,卻沒有各類客戶之間的一個量化的價值比較,因而對各類客戶做相應的終身價值分析是非常有必要的。

  3.客戶終身價值比較分析。

  表4將客戶簇1和簇3同分為重要保持客戶,將客戶簇5和簇8同分為一般客戶,這樣難以對對這兩組客戶簇進行細分.此外,客戶分類後,並不知道每一類客戶的價值差別有多大,相對企業的重要性怎樣.利用AHP法分析得到的RFM各指標權重,結合各類顧客的RFM指標,根據每一類客戶的顧客終身價值得分來進行排序.標準化後的各個指標平均值如表5的C^j_R,C^j_F,C^j_M,其中j=1 \ldots m表示聚類後的類別。C^j_R,C^j_F,C^j_M第j類客戶的R,F,M各個指標標準化後的平均值,C^j_I是第j類客戶的RFM各項指標加權後的總得分,運算公式為。

  C^j_I=W_RC^j_R+W_FC^j_F+W_MC^j_M

  其中,WRWFWM分別為由AHP分析得來的R、F、M指標的權重最後,根據總得分的大小來對各類客戶來進行排序(見表4).  排名靠前的客戶相對排名靠後的客戶具有更高的顧客終身價值,忠誠度更高,對於企業來說更為重要.表5顯示,客戶簇3總得分最高,因此簇3的客戶是企業最有價值的客戶,而簇6客戶總得分最後,因此可以認為簇6客戶的價值最低.此外,對於處於同等級的客戶簇1和簇3,簇5和蹴8進行了細分.從表5中還可以看出,簇3比簇1的價值大,簇5比簇8的價值大.此外,通過比較各簇的總得分,還可以比較各客戶簇的價值.如簇3的價值是簇6價值的0.5693/0.3284=1.73倍。

  標準化的RFM加權分類

客戶C^j_RC^j_FC^j_MC^j_ICLV
類別(近度)頻度值度(元)總得分排序
10.60380.51240.57270.55962
20.68040.34450.44130.46184
30.50290.70560.49550.56931
40.58150.55340.27670.43875
50.33600.51870.40790.43026
60.42610.33560.27280.32848
70.36250.48210.65740.53313
80.43590.31170.51740.42987

   註:C^j_I=W_RC^j_R+W_FC^j_F+W_MC^j_M(W_R=0.221,W_F=0.341,W_M=0.439)

  在進行客戶分類後再對客戶的類別進行顧客終身價值排序,使得企業能夠量化各類客戶的價值的差別,彌補了的客戶分類方法的不足。這有助於企業制定更為可行的客戶政策。由於受到成本的制約,電信企業不可能採取無差別的個性化服務,企業只能將資源集中在少數幾類對企業重要的客戶上.按照總得分的排列情況,企業應該優先將資源投放到總得分較高的客戶身上。

  

參考文獻

  1. 林盛,肖旭.基於RFM的電信客戶市場細分方法[J].哈爾濱工業大學學報,2006,(05)
  2. 陳伯成,梁 冰,周越博,等.自組織映射神經網路(SOM)在客戶分類中的一種應用[J].系統工程理論與實踐,2004(3):7-14
  3. Stone,Bob.Successful Direct Marketing Methods[M].Linco lnwood:NTC Bussiness Books,1994
  4. 連惟謙.應用資料分析技術進行顧客流失與顧客價值之研究[D].臺灣:中原大學.2004
  5. 吳育華,杜綱.管理科學基礎[M].天津:天津大學出版社.2001.222-228
  6. 張文彤,董偉.SPSS統計分析高級教程[M].北京:高等教育出版社,2004.247-248
本條目對我有幫助225
MBA智库APP

扫一扫,下载MBA智库APP

分享到:
  如果您認為本條目還有待完善,需要補充新內容或修改錯誤內容,請編輯條目

評論(共14條)

提示:評論內容為網友針對條目"RFM模型"展開的討論,與本站觀點立場無關。
Huoli (討論 | 貢獻) 在 2009年11月16日 16:00 發表

基於RFM的電信客戶市場細分方法加了這個案例

回複評論
Angle Roh (討論 | 貢獻) 在 2009年11月16日 17:38 發表

Huoli (討論 | 貢獻) 在 2009年11月16日 16:00 發表

基於RFM的電信客戶市場細分方法加了這個案例

感謝Huoli 的精彩貢獻

回複評論
220.231.7.* 在 2010年7月14日 11:14 發表

消費頻率是frequency吧,咋好多地方都寫錯了

回複評論
Dan (討論 | 貢獻) 在 2010年7月14日 14:26 發表

220.231.7.* 在 2010年7月14日 11:14 發表

消費頻率是frequency吧,咋好多地方都寫錯了

謝謝指正,發現一處現已修改,其他錯誤,望能參與修改或者指明~

MBA智庫百科是可以自由參與編輯和修改的百科,只要通過網頁右上角創建新帳號,創建用戶名後即可參與,期待你的參與~~

回複評論
61.183.149.* 在 2012年2月10日 16:52 發表

標準化的公式有點問題吧?

回複評論
HEHE林 (討論 | 貢獻) 在 2012年2月10日 17:59 發表

61.183.149.* 在 2012年2月10日 16:52 發表

標準化的公式有點問題吧?

謝謝指正,已對原文進行修改,其他錯誤,望能參與修改或者指明~

MBA智庫百科是可以自由參與的百科,如有發現錯誤和不足,您也可以參與修改編輯,只要通過網頁右上角創建新帳號,創建用戶名後即可參與,期待您的加入!~

回複評論
小蒿 (討論 | 貢獻) 在 2013年12月25日 10:19 發表

“頻度最高,近度次之,值度最低的權重” 電商行業的權重 如何去定位呢?

回複評論
116.26.118.* 在 2014年12月17日 17:33 發表

R高於平均值,F和M低於平均值的客戶,為何是無價值客戶?

回複評論
鄧弘裕 (討論 | 貢獻) 在 2015年5月5日 13:43 發表

請問,RFM的權重如何從評價矩陣中求得?

回複評論
36.226.216.* 在 2015年7月6日 13:14 發表

HEHE林 (討論 | 貢獻) 在 2012年2月10日 17:59 發表

謝謝指正,已對原文進行修改,其他錯誤,望能參與修改或者指明~

MBA智庫百科是可以自由參與的百科,如有發現錯誤和不足,您也可以參與修改編輯,只要通過網頁右上角創建新帳號,創建用戶名後即可參與,期待您的加入!~

標準化公式裡頭的分母怎麼會是最小值減最大值,照文中的公式,標準化後會得到負值

回複評論
1.202.23.* 在 2015年12月17日 16:12 發表

首先感謝分析,收益良多。 另外指正個小錯誤,聚類分析後產生的8個類別中,第1類和第3類重覆了,缺少一類“進度”下;“頻度”上;“值度”上的客戶類別。

回複評論
14.152.69.* 在 2016年12月23日 01:35 發表

Huoli (討論 | 貢獻) 在 2009年11月16日 16:00 發表

基於RFM的電信客戶市場細分方法加了這個案例

電信行業的用戶條數太大了,每日都有幾百萬的用戶,隨機抽取1000多個好像並不科學啊,RFM模型不是要統計高質量客戶嗎?隨機抽取怎麼評分呢?應用在電信行業怎麼實際操作呢?

回複評論
Twozi (討論 | 貢獻) 在 2016年12月23日 01:39 發表

電信行業的用戶條數太大了,每日都有幾百萬的用戶,隨機抽取1000多個好像並不科學啊,RFM模型不是要統計高質量客戶嗎?隨機抽取怎麼評分呢?應用在電信行業怎麼實際操作呢?

回複評論
202.108.14.* 在 2019年1月21日 15:25 發表

鄧弘裕 (討論 | 貢獻) 在 2015年5月5日 13:43 發表

請問,RFM的權重如何從評價矩陣中求得?

矩陣最大特征根的歸一化特征向量

回複評論

發表評論請文明上網,理性發言並遵守有關規定。

MBA智库
打开APP

以上内容根据网友推荐自动排序生成