统计数据，是所有人预测的大前提。 在统计数据驱动力的黄金时代，统计数据早已显得愈来愈关键。
谁掌控了统计数据，谁就获得了使用者、消费市场和网络流量。
比如说许多做统计数据监视、使用者信用记录、风险控制管理工作、统计数据USB及统计数据预测的子公司，累积了大批的统计数据后，就会构筑两个提供统计数据一站式，进而同时实现统计数据的商品化商业价值。
统计数据的商业价值不是统计数据这类，而是结构设计有用的分项，并透过自然科学有效率的方式去预测。
对使用者的统计数据展开预测，关键是怎样优先选择两个高效率的预测数学模型？
他们能综合性流程、应用领域情景、营运分项和预测思路去优先选择数学模型，进而对统计数据展开预测，最后获得预测结论，以期采行下一步棋营运思路。
统计数据预测操作过程常见的预测数学模型有： PEST预测法、4P网络营销方式论、方式论树预测法与RFM数学模型等。
在日常生活统计数据营运操作过程中，对使用者展开系统化网络营销时，最常见的两个数学模型是RFM数学模型。
RFM数学模型是一类如前所述使用者消费需求行为的群体行业龙头方式。
RFM数学模型从使用者的销售业务统计数据中抽取了四个分项： 前段天数一场消费需求天数(Recency)、消费需求振幅 (Frequency)、消费需求数额 (Monetary)。 这四个分项能来衡量使用者的热度、信任度和变式。
R（Recency）：前段天数一场消费需求天数，即使用者前段天数一场消费需求距离现在的天数。 R值越大，表示消费需求天数越近，一定程度上体现了使用者的热度。
F（Frequency）：消费需求振幅，即使用者在统计周期内消费需求的次数。 F值越大，表示消费需求振幅越高，一定程度上体现了使用者的信任度。
M（Monetary）： 消费需求数额，即使用者在统计周期内消费需求的数额。 M值越大，表示消费需求数额越高，一定程度上体现了使用者的变式。
透过R、F、M四个维度，将使用者有效率地行业龙头为8个具有不同商业价值的群体： 关键商业价值客户、关键发展使用者、关键挽留使用者、关键保持客户、一般商业价值客户、一般发展使用者、一般挽留客户与一般保持客户。
RFM数学模型被广泛被应用领域在金融领域，以P2P平台出借人为例，他们根据浏览、充值与投资等维度，重新定义RFM数学模型，并将其量化为具体的预测分项。
前段天数消费需求天数（Recency）： 前段天数浏览天数、前段天数充值天数、前段天数投资天数。
消费需求振幅（Frequency）： 浏览次数、充值次数、投资次数。
消费需求数额（Monetary）： 充值数额、投资数额。
比如说他们要统计近四个月内的投资情况，并行业龙头使用者商业价值。 首先，确定R、F、M每个维度对应范围内的分值。
R
F
M
分值
<=2天
>30次
>50万
5
<=7天
<=30次
<=50万
4
<=30天
<=15次
<=20万
3
<=60天
<=5次
<=10万
2
>60天
<=1次
<=5万
1
其次，去系统后台或统计数据库爬取统计数据后，根据出借人的前段天数投资投资距今多少天、累计投资次数、累计投资数额展开打分。
使用者ID
R
F
M
1
2
4
3
2
4
2
5
3
5
5
1
·
·
·
·
·
·
·
·
·
·
·
·
n-1
3
1
4
n
4
5
5
平均值
3.75
2.23
2.86
然后，对比打分表、分值表和平均值，确定R、F、M每个维度的高低取值，以期确认客户类型。
使用者ID
R
F
M
分类
1
低
高
高
关键保持客户
2
高
低
高
关键发展客户
3
高
高
低
一般商业价值客户
·
·
·
·
·
·
·
·
·
·
·
·
·
·
·
n-1
低
低
高
关键挽留客户
n
高
高
高
关键商业价值客户
接着，统计各个客户类型的总数，其中，关键商业价值客户25200、关键保持客户58260、关键发展客户42766、关键挽留客户25432、一般商业价值客户388670、一般保持客户178620、一般发展客户367000、一般挽留客户82489。
R分类
F分类
M分类
客户类型
合计
高
高
高
关键商业价值客户
25200
低
高
高
关键保持客户
58260
高
低
高
关键发展客户
42766
低
低
高
关键挽留客户
25432
高
高
低
一般商业价值客户
388670
低
高
低
一般保持客户
178620
高
低
低
一般发展客户
367000
低
低
低
一般挽留客户
82489
最后将获得的使用者统计数据可视化，以期他们采行针对性的营运思路，同时实现更加精准化网络营销。
关键商业价值客户：前段天数投资天数近、投资频次高、投资数额高的出借人。 这类客户价值大是平台的“金主”，需要重点服务，争取商业价值最大化。
关键保持客户： 前段天数投资天数久、投资频次高、投资数额高的出借人。 这类客户商业价值大但热度不高，需要主动回访，并和他保持联系。
关键发展客户：前段天数投资天数近、投资频次低、投资数额高的出借人。 这类客户商业价值大但信任度不高，需要重点发展，挖掘沉默的潜力。
关键挽留客户：前段天数投资天数久、投资频次低、投资数额高的出借人。 这类客户商业价值大但变式不高，需要采行措施，去挽留或唤醒。
一般商业价值客户： 前段天数投资天数近、投资频次高、投资数额低的出借人。 作为普通客户，保持现有状态，采行一对多的形式去服务。
一般保持客户：前段天数投资天数久、投资频次高、投资数额低的出借人。 作为沉默客户，能尝试唤醒，但不要消耗太多的资源。
一般发展客户： 前段天数投资天数近、投资频次低、投资数额低的出借人。 作为新增客户，需要合理引导，将其转化为高净值使用者。
一般挽留客户：前段天数投资天数久、投资频次低、投资数额低的出借人。 作为睡眠客户，基本是要放弃，杜绝羊毛党和黑名单使用者。
用RFM数学模型做统计数据预测就是为了找出有用的使用者，以期区分不同出借人对子公司带来的不同效益。
根据二八定律： 80%的效益来自20%的出借人投资，所以他们要把80%的资源花在能出关键效益的20%的优质客户上。
值客户、关键保持客户、关键发展客户与关键挽留客户。
对于以上四类优质客户，他们能制定个性化服务和营运思路，并针对这部分使用者展开差异化的网络营销。
关键商业价值客户： 可采行定向推送大额高利息标的的方式。
关键保持客户： 可采行投资标的可加息或返现的方式。
关键发展客户： 可采行建立使用者成长激励体系的方式。
关键挽留客户： 可采行投资即可获得抽奖机会的方式。
RFM数学模型是来衡量客户商业价值的关键工具，为他们做统计数据预测提供了一类思路与方式。
在工作中，RFM数学模型能指导产品经理做出更为客观与理性的决策。
统计数据预测是必修课之一，掌控一定的统计数据预测能力，能更好的提升工作效率。
很多企业在招聘产品经理时，会把统计数据预测能力作为硬性条件，要求掌控统计数据预测的基本原理与预测方式，并能运用到工作中。
在充满竞争的职场，最先理解统计数据并擅长统计数据预测的产品经理，将成为职场赢家。
