M T 0.41 0.14 0.54 0.04 0.51 0.17 0.48 0.06 1.44 0.32 对向量w=（0.22，1.13，1.44，0.32）T进行归一化处理，得R、F、M、T判断矩阵的特征向量：W=（0.13，0.34，0.43，0.10）
1.3 计算判断矩阵的最大特征根λmax
?max??i?1n(Bw)i?4.05，其中(Bw)i表示向量Bw的第i个元素。 nwi1.4 一致性检验
矩阵一致性指标CI，C.I??max?nn?1?0.02；
RI取值表：
n RI 1 2 3 4 5 6 7 8 9 10 0 0 0.58 0.9 1.12 1.24 1.32 1.41 1.45 1.49 CI?0.022<0.1； RI 计算随机一致性比率CR，CR? 当CR<0.1时，认为层次总排序通过一致性检验。所以最后确定R、F、M、T的权重分别为0.13，0.34，0.43，0.10。故，（WF，WR，WM，WT ）=（0.13，0.34，
0.43，0.10）
访问时间间0.13 0.34 消费频2、R、F、M、T值的标准化
有价值的客户 单次最0.10 消费总0.43
对各属性进行规格化变换，规格化变换又称为极差正规比变换，它是从数
据矩阵中的每一个变量最大值和最小值，并用最大值减去最小值得出极差。然后用每一个原始数据减去该变量中的最小值，再除以极差，即得到规格化数据，标准化公式：
X’=(X-XMIN)/(XMAX-XMIN) （1）
X’=(XMAX-X)/(XMAX-XMIN) （2）
其中，X’是标准化的R，F，M，T值，X是原值，XMAX和XMIN分别是该指标的最大值和最小值。由于F，M，T指标的影响是正向的，所以适用式（1），而R得指标影响是负向的，适用式（2）。
根据2013年1月的销售数据，得XRMIN=0，XRMIAX=30，XFMIN=1，XFMAX=42，XMMIN=0，XMMAX=40690，XTMIN=0，XTMAX=35630。
3、计算单个客户的价值得分
对标准化后的R，F，M，T进行加权求和，得到每个客户的价值得分，公式如下：
SRFMT=Wr*Xr’+ Wf*Xf’+ Wm*Xm’+ Wt*Xt’ （3）
式中SRFM表示客户的RFMT价值得分，Wr、Wf、Wm分别表示R、F、M各指标的权重，Xr’、 Xf’、 Xm’、Xt’分别表示标准化后的R、F、M、T值。如下表所示：
客户 1 2 3 4 5 6 7 R 13 9 14 5 20 2 6 F 19 18 18 16 14 14 13 M 30570 13870 29980 40690 3280 30790 5070 T 7100 1950 7100 4720 640 6300 1380 价值 0.72 0.49 0.69 0.8 0.27 0.67 0.31 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 14 7 0 6 7 5 3 6 8 14 15 0 5 9 1 3 12 12 11 11 11 11 10 10 10 10 10 10 10 10 9 9 9 16950 27970 3350 4590 3960 5510 6930 14670 4110 7660 6420 6950 5660 5590 7900 17060 2530 2710 7100 1220 1320 1020 980 1640 3130 840 1950 1640 1640 3000 1140 2340 5950 690 0.45 0.58 0.26 0.29 0.26 0.28 0.29 0.39 0.25 0.29 0.26 0.27 0.29 0.27 0.28 0.43 0.22 4、将客户分类，计算每一类客户的价值得分
使用K-均值聚类法时，需要预先判断其聚类的类别数。在模型中客户分类通过每个顾客类别RFMT平均值与总RFMT平均值相比较来决定的，而单个指标的比较只能有两种情况:大于(等于)或小于平均值，因此可能有16种类别，利用SPSS我们也可以知道那位客户属于哪个类别。
通过RFM分析将南航的客户群体划分成重要保持客户、重要发展客户、重要挽留客户、一般重要客户、一般客户等5个级别，各客户级别如下表所示。客户分级不仅揭示了客户在级别上的差异，而且反映了客户在行为上的特性和变化倾向。针对不同等级的客户，采取不同的管理策略。但是，这种分类只是确定了客户的等级，却没有各类客户之间的一个量化的价值比较，因而对各类客户做相应的价值分析是非常有必要的。
标准化的RFM加权分类
客户类别 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 均值 客户数量 R 5 1824 18019 4 32567 8 16473 8 59 26949 17843 1267 764 22817 39924 21467 0.53 0.89 0.97 0.93 0.29 0.53 0.77 0.84 0.68 0.45 0.87 0.53 0.84 0.68 0.12 0.56 0.66 F 0.84 0.19 0.03 0.65 0.03 0.1 0.05 0.1 0.13 0.03 0.03 0.12 0.09 0.03 0.03 0.03 0.16 M 0.52 0.08 0.03 0.65 0 0.76 0.04 0.76 0.37 0.02 0.03 0.13 0.15 0.03 0 0.03 0.23 T 0.16 0.05 0.03 0.16 0 1.01 0.03 0.98 0.44 0.02 0.03 0.14 0.17 0.03 0 0.03 0.21 每类价值 客户级别 排序 0.59 0.22 0.15 0.64 0.07 0.53 0.14 0.57 0.34 0.08 0.14 0.18 0.22 0.11 0.04 0.1 0.26 重要保持 重要发展 重要挽留 重要保持 一般重要 重要保持 重要挽留 重要保持 重要保持 一般重要 重要挽留 重要挽留 重要发展 一般 一般重要 一般 1 2 3 1 5 1 3 1 2 5 3 3 2 4 5 4 客户分类后，并不知道每一类客户的价值差别有多大，相对企业的重要性怎样。利用AHP法分析得到的RFMT各指标权重，并结合各类顾客的标准化后RFMT指标，可以得到每个类别客户的价值得分。
在进行客户分类后再对客户的类别进行顾客终身价值排序，使得企业能够量化各类客户的价值的差别，弥补了的客户分类方法的不足。这有助于企业制定更为可行的客户政策。由于受到成本的制约，南航不可能提供完全的、无差别的个性化服务，只能将资源先集中在少数几类对企业重要的客户上。按照总得分的排列情况，企业应该优先将资源投放到总得分较高的客户身上。
三、存在问题与优化方向
RFM模型是业界内普遍认可的、可有效区分客户价值的分析方法。而结合航
空业来说，RFM这几个指标在应用中也会有所不同，而这几个指标也是在评估客户价值中比较关键的，要更全面的评估客户的价值，应该需要结合他的个人信息如年龄、收入、职业等，不过这些信息在现阶段数据体系中也不一定有或者可用。
1. R指标问题及优化
问题：R（Recency）值的是用户最近一次访问网站到某时刻的时间间隔，它衡量的是用户对网站的关注，如果R越小，则表示用户对网站的关注度高，其表现出的用户价值就越高，反之则越低。 ? 问题
仅用用户最近的一次访问来刻画用户对南航的关注度，并不够全面，比如有A、B两个用户，他们对官网的访问轨迹如下：
从上图可以看出，用户A的R比B小，按照模型用户A 的价值会比较高，但是同样可以看出B的访问比较密集，而且次数和A一样。可能他偶然刚好有一段时间没有访问，所以导致其价值变低。 ? 优化方案
在以后模型的发展中，可以考虑用户更多的访问次数，而不只是最近的一次，而是最近n次，鉴于不同访问次数时间越靠前其价值越高，所以可以给每一次购买（访问）时间赋予一定权重来描述其重要性，如下：
次数 最近第1最近第2最近第3······ 最近第n次 次 时间间T1 隔 次 T2 次 T3 ······ Tn
RFM模型算法
