RFM模型，是CRM管理的常见方法，是服装零售企业在竞争激烈的商业形势下，用于精准营销，优化资源提升客户满意度的重要手段。
RFM模型是一个定量分析模型，它通过R(最近一次购买时间）、F（期间购买次数）以及M（期间消费金额）三个维度方向，通过客户的消费行为数据，立体绘制客户形象，构建具有各种特征的客户分类群体。
关于RFM在通用客户关系管理中模型的介绍，相关资料非常的多，在此亦不做赘述，本文仅拣些必须的点列示一下，其余重点落在基于笔者过往与服装企业VIP 管理和营销管理等部门在进行RFM导入过程中的一些要点，思考其在服装行业VIP顾客管理上，以及如何更好的结合行业特色，在哪些点上，如何运用，如何提 升，能使相关部门得到助益，以更精准的开展顾客关系管理活动。
在F和M两个维度方向的指标定义中，期间的累计，并未有指定，企业可根据自己实际情况进行设定，譬如F，期间累计购买次数指标，由于男装客户和女装客户的 消费行为习惯不一样，高端客户和大众客户的购买表现也有差别，不同的企业可能依据其品牌定位及客户特点，设定为一个月、三个月、六个月乃至一年等期限。有 的定位中端的女装，顾客一个月没有来访，就已经需要预警了，三个月便认为流失。当然，期限是可以根据分析效果，不断调整的。另外是关于分段的划分，同样各 个段范围依据业务设定，可以分作三段、五段、七段等等，需要注意的是，分段数越多，则交叉出来的小类越多，譬如3*3*3是27个分类，5个是125，7 个是343，太过于明细的小组用来直接投入决策，难度会增大。
在RFM模型构建之后，便可对其展开分析。
首先，可从单个角度进行。对R、F、M三个方面运用结构分析，分别了解顾客群体的活跃程度、顾客的忠诚度分布、以及贡献度的分布。
通过对最近一次购买时间的结构分析，一来可以掌握当前会员群体极为活跃顾客、一般活跃顾客以及具有流失可能的顾客群体比重，二来可以通过此方面指标分析顾 客对于活动的响应度，上一次购买较近的顾客对于活动的响应率要高于上次购买时间较远的顾客。同时，通过活跃客户群体占比在趋势上的监控，确保其稳中有 升，VIP顾客的维系在适度来往的水平，消费更有活力。
通过对期间购买次数结构分析，可以了解掌握顾客群体忠诚度状况。通过设定的忠诚度阶梯，以合适的联系及活动，推动客户往更高忠诚度方向前行。亦可结合趋势分析，了解企业顾客忠诚度的稳定状况。
通过对期间购买金额结构的分析，可以了解顾客群体贡献度情况。运用帕累托法则（也即80/20法则），可知累计贡献占比M%的前N%顾客，运用ABC分类法也是类似，划分的目的是更好的针对活动需求定位顾客群体、更有效率的对顾客群体进行资源投入。
其次，可以两个方向、三个方向上的综合分析。基于分析结果，依据当前管理需求或活动目的进行筛选，譬如，流失可能性较高且贡献度较高的，可能进行维挽的活 动，刚刚购买且忠诚度高的，可以依据贡献度赠与相应价值的服务，亦可增加其来店机会。由于总的分太多，太细，因此可进一步归类出若干标签，包含一定范围RFM子类，“核心优质顾客”、“重点挽留顾客”、“ 没有价值顾客”，相应活动时依据标签过滤即可。不管是单个维度或是多个维度分析，总体角度都可以了解概况，明细角度可以进行顾客清单输出，为具体的联系或 活动提供输入。
RFM模型应用，并非属于数据挖掘技术，通过常规的多维分析即可实现，只需在实现的时候需要注意保持分段调整的灵活性。但是，数据挖掘技术亦可在RFM模型方面进行一定的运用。譬如可对R、F、M用k-Means进行聚类，依据数据对顾客进行无指导分类。
同时，越来越多的企业，在应用RFM指标之余，在精准化营销的过程中，结合行业特性与企业需求，导入了更多的指标，再在分析时依需组合。那么，我们在服装行业，又可以扩展哪些指标进入我们的指标库呢？以下指标可以进行一些参考：
折扣率、连带率，通过折扣率，可以了解顾客对折扣的敏感情况，或者亦可转为对应的毛利率；通过连带率，了解顾客的购买行为则更加形象。
活动的响应率，基于此，可以更好的对活动发出邀约的顾客名单进行筛选。
顾客平均购买间隔天数，与F指标类似，但可用于粗略预测客户购买行为。
最后，顺应时代的发展，在当前微信等SNS工具发达的年代，VIP顾客对品牌产品的分享或者转介这种新的行为，在数据采集手段具备的情况下，也可纳入数据分析，将客户的形行为与形象，勾勒得更为生动起来。
