會員的價值展現在持續不斷的為企業帶來穩定的銷售和利潤，同時也為企業政策的制定提供資料支援。是以零售企業總是想盡一切辦法去吸引更多的人成為會員，并且盡可能提高他們的忠誠度。忠誠度高的顧客表現為經常光顧購買，有較高的價格忍耐度，願意支付更高的價格，也願意向其他人推薦，對品牌滿意度較高等。會員忠誠度高不一定會員價值就高，還得看他的實際消費金額，也就是消費力。忠誠度高、消費力強的顧客才是企業最優質的會員顧客。由于會員價值中“願意向他人推薦”這個項目不好采集資料來量化，滿意度也需要專項調查才能取得資料。是以結合這些特點，我們可以從以下幾個名額去評估會員的綜合價值：
1、最近一次消費時間理論上來講，上一次購買時間距離現在越近的顧客價值越大。而他們得到營銷人員眷顧的機會也應該大于那些很久沒有光顧的顧客。當一位已經半年沒有光臨的顧客上周再次産生購買，那他就激活了自己的這個名額，是以最近一次消費時間是實時變化的，是以我們需要不斷的激活顧客消費。
2、（某個周期内的）消費頻率消費頻率越高的顧客忠誠度越大，我們需要不斷的采取營銷手段去提高每個顧客的消費頻率，這也是提高銷售額非常有效的方法。一個産品沒有重複購買的企業是非常危險的，意味着他的顧客都是新的，都是一錘子買賣。不光傳統零售，現在重複購買率也是衡量一個電商網站的關鍵名額。消費頻率最高的這部分顧客應該是得到企業關愛最多的群體，需要注意的是資料庫營銷不能過度營銷，要以不騷擾使用者為原則。
3、（某個周期内的）消費金額消費金額越大，顧客消費力也越大，在二八法則中，20%的顧客貢獻了80%的銷售額，而這些顧客也應該是得到營銷資源最多的顧客。特别是當你的促銷活動的費用資源不足的時候，這些高端的顧客就是你的首選對象。這個名額還需要和消費頻率結合起來分析，有的顧客消費金額非常高，但是他可能隻是購買了一次高單價商品，就再也沒有光臨過了。
這三項名額是著名的顧客價值研究的rfm模型，分别是r-recency（最近購買時間），f-frequency（消費頻率），m-monetary（消費金額）。這三個名額來自于美國資料庫營銷機構的研究，現在逐漸成為會員價值研究以及會員營銷的通用模型了。
這裡的rfm模型和進而細分客戶僅是資料挖掘項目的一個小部分，假定我們拿到一個月的客戶消費行為資料集（實際上有六個月的資料），我們們先用ibm modeler軟體建構一個分析流：
我們先用挖掘工具的rfm模型的rfm彙總節點和rfm分析節點産生r(recency)、f(frequency)、m (monetary)；
接着我們采用rfm分析節點就完成了rfm模型基礎資料重構和整理；
現在我們得到了rfm模型的recency_score、frequency_score、monetary_score和rfm_score；這裡對rfm得分進行了五等分切割，采用100、10、1權重得到rfm得分表明了125個rfm魔方塊。
傳統的rfm模型到此也就完成了，但125個細分市場太多啦無法針對性營銷也需要識别客戶特征和行為，有必要進一步細分客戶群；
另外：rfm模型其實僅僅是一種資料處理方法，采用資料重構技術同樣可以完成，隻是這裡固化了rfm子產品更簡單直接，但我們可以采用rfm建構資料的方式不為rfm也可用該子產品進行資料重構。
接下來，我們繼續采用挖掘工具對r、f、m三個字段進行聚類分析，聚類分析主要采用：kohonen、k-means和two-step算法。
這時候我們要考慮是直接用r(recency)、f(frequency)、m (monetary)三個變量還是要進行變換，因為r、f、m三個字段的測量尺度不同最好對三個變量進行标準化，例如：z得分（實際情況可以選擇線性插值法，比較法，對标法等标準化）！另外一個考慮：就是r、f、m三個名額的權重該如何考慮，在現實營銷中這三個名額重要性顯然不同！
有資料研究表明：對rfm各變量的名額權重問題,hughes,arthur認為rfm在衡量一個問題上的權重是一緻的,因而并沒有給予不同的劃分。而stone,bob通過對信用卡的實證分析,認為各個名額的權重并不相同,應該給予頻度最高,近度次之,值度最低的權重；
這裡我們采用權重方法：wr=2 wf=3 wm=5的簡單權重法（實際情況需要專家或營銷人員測定）；具體選擇哪種聚類方法和聚類數需要反複測試和評估，同時也要比較三種方法哪種方式更理想！
下圖是采用快速聚類的結果：
以及kohonen神經算法的聚類結果：
接下來我們要識别聚類結果的意義和類分析，這裡我們可以采用c5.0規則來識别不同聚類的特征，采用評估分析節點對c5.0規則的模型識别能力進行判斷：
結果還不錯，我們可以分别選擇三種聚類方法，或者選擇一種更易解釋的聚類結果，這裡選擇kohonen的聚類結果将聚類字段寫入資料集後，為友善我們将資料導入spss軟體進行均值分析和輸出到excel軟體！
輸出結果後将資料導入excel，将r、f、m三個字段分類與該字段的均值進行比較，利用excel軟體的條件格式給出與均值比較的趨勢！結合rfm模型魔方塊的分類識别客戶類型：通過rfm分析将客戶群體劃分成重要保持客戶、重要發展客戶、重要挽留客戶、一般重要客戶、一般客戶、無價值客戶等六個級别；（有可能某個級别不存在）；
另外一個考慮是針對r、f、m三個名額的标準化得分按聚類結果進行權重計算，然後進行綜合得分排名，識别各個類别的客戶價值水準；
至此如果我們通過對rfm模型分析和進行的客戶細分滿意的話，可能分析就此結束！如果我們還有客戶背景資料資訊庫，可以将聚類結果和rfm得分作為自變量進行其他資料挖掘模組化工作！