我們設計的RFV分類模型（或稱RFV檢測儀）從“停止采購時間”和“來店頻率”兩個維度，把“價值矩陣分析法”界定出的5個客戶價值群體再次細分為 125個不同的群體，商場可以針對不同的群體采取不同的營銷方式。營銷的主導思想是：讓左邊（F值小、來店頻率低）的多來商場，讓右邊（來店頻率高）的提 高消費金額，讓下邊（V值低）的提升消費能力，把后面（R值大）的挽救回來、激活起來。最有價值的、使用頻率最高的用法是監測客戶消費行為異動，及時采取 應對措施，防范重要客戶流失（即“客戶流失預警”）。
用戶還可以分別從R、F、V三個維度進行切片和切塊觀察，鎖定感興趣的目標群體；下鉆到具體會員記錄的時候，還可以用右鍵調閱該會員的“FM心電圖”（每次購物的金額與間隔時間）。富基融通的顏總把RFV三維分類模型生動地形容成：“零售醫院的CT機”。
在百度搜索中輸入“RFV三維分類模型”，找不到一條可以借鑒的資料——在畫“瓢”的時候，沒有“葫蘆”可依。
第三個例子：現成的瓢——“客戶生命周期分析”
在所有的數據分析模型中，“客戶生命周期”的分析模型可能是最簡單、最現成的。在理論上表述得最為完整的、集大成者應該是某著名咨詢機構的這張圖：
對于零售企業來說，數據分析與運用的聚焦點在會員的“成長、成熟、衰退”這三個階段所形成“拋物線”上。可是把真實的會員消費數據導入分析模型后，生成的 卻是不是BI廠商和咨詢機構們所描繪的、和用戶們所期盼的拋物線，而是雜亂無章的鋸齒線？可以肯定，在CRA系統上線初期，所看到的基本上都是這種線條。
是分析模型錯了嗎？在這樣的圖形上怎么能判定出會員正處于生命周期的哪個階段？如果不能給個合理的說法，肯定會引起用戶對這個分析模型的可信度產生懷疑，繼而蔓延成對整個CRA數據分析體系的“信任危機”。
點擊“商品生命周期_百度百科”這條鏈接可以看到：行業中對“商品生命周期”的階段劃分和描繪的拋物線，與“客戶生命周期”如同翻版。可是商品與顧客這兩 個分析對象在本質屬性上卻存在著巨大的差異：商品是受控對象，在有效的管理狀態下形成拋物線狀的銷售曲線，是可信的！而顧客是行為自控者，并且商場對顧客 目前還遠遠談不上有效管理，所以消費行為呈現出無規則的鋸齒線狀態，正是對實際狀態的客觀寫照，不是分析模型出了錯。
那是理論權威們錯了嗎？也不是！畢竟這套理論不是在中國零售業目前的經營水準上構建起來的。富基融通的唐總認為：客戶生命周期確實可以形成分析模型圖中所 描述的拋物線，但前提是要持續保持客戶的“忠誠度”。在運用CRA的分析數據對會員按價值、特征、行為等多維度屬性劃分為不同的群體，實現個性化營銷之 后，會員的忠誠度和在商場的消費能力應該會隨著商家“面向客戶”的營銷組織能力日益成熟而越來越高，然后相對持續平穩，呈現出與商品營銷類似的受控狀態。 “在這個意義上講，客戶生命周期 拋物線我覺得是合理的，這也是商家需要追求的，或者說這是商家對實施CRM的最高期望。” 由此可見，對于零售行業來說，理論權威們所描繪的拋物線是“未來時”，是“共產主義階段”；而我們現在和CRM產品上線初期所看到的鋸齒線是“過去時”， 是“社會主義的初級階段”。當鋸齒線逐漸向拋物線演變的時候（這種演變將率先在“關鍵客戶”、“重要客戶”群體中出現），我們的用戶就成功了。
關于“客戶生命周期管理”的用途，行業中人的普遍印象是用于“客戶流失預警”。對此，我有不同的思考：
①、“客戶流失預警”對時效性的要求比較高，而“客戶生命周期管理”是相對宏觀的管理工具，以“月”為數據顆粒。等到從拋物線上觀察出一兩個月前客戶有流失跡象的時候，很可能已經時過境遷、生米熟飯了，還預什么警？這個“瓢”被用錯了地方。
②、如果真的要用于“客戶流失預警”，那就不能像分析模型圖那樣，在拋物線上示意性地進行階段劃分，而是要對客戶“成長期、成熟期、衰退期、流失期”的界定指標進行量化。這個難度是相當大的，也沒有見到在零售業中有人進行這方面研究的報道。
③、我們已經為“客戶流失預警”配備了以“日”和“次”為數據顆粒的RFV三維分析模型和各維切片視圖以及FM心電圖等一整套從宏觀到微觀的“ 會員體檢設備”，可以及時監控和應對會員消費行為的異動——這遠遠不是在那根以“月”為顆粒度的“客戶生命周期折線圖”上所能夠實現的。
④、尺有所短，寸有所長。“客戶生命周期折線圖”可以與RFV檢測儀和FM心電圖配套使用：當RFV檢測儀發出某會員停止采購時間超過平均采購周期的預警 信息時，是否要立即采取發送短信等聯絡措施呢？我們可以調閱該會員的“生命周期折線圖”，觀察此前是否存在過類似的現象，再作出適當的決定。比如說，在前 面舉例的兩幅“會員三年消費表現”折線圖中，就有過停購2至5個月后再恢復消費的現象。
第四個例子：商業智能皇冠上的明珠——“啤酒與尿布”
談到商業智能（BI），言必稱購物籃分析；談到購物籃分析，言必稱關聯分析；談到關聯分析，言必稱“啤酒與尿布”。比較流行的故事是：“沃爾瑪早年利用 ＮＣＲ數據倉庫技術，對商品進行市場類組分析，即分析哪些商品顧客最有希望一起購買。沃爾瑪利用ＮＣＲ自動數據挖掘工具對一年多詳細的原始交易數據進行分 析和挖掘時發現：跟尿布一起購買最多的商品竟是啤酒！”。于是“啤酒與尿布”就成了商業智能皇冠上的明珠，權威云集、爭相著述、模型與算法推陳出新，在科 研水準和學術價值上達到了難以超越高度；甚至連各種算法的代碼都連篇累牘、非常完整，似乎只要套進程序，這個模塊的設計就八九不離十了。
運用關聯分析的窮舉算法自動挖掘出“啤酒與尿布”，這給人們帶來了無限的啟發和期盼；運用先行者們的研究成果把“購物籃分析”模塊設計出來是沒有什么難度 了，但我們更需要關注的是：這樣設計出來的模塊真正能給用戶帶來什么應用價值——價值目標不明確的產品研發，會讓我們與用戶都深陷泥潭！有鑒于此，我提出 幾點直覺上的質疑，希望能與大家在探討的過程中釋疑解惑。
1、“啤酒與尿布”真的是被“購物籃分析”給挖掘出來的嗎？在諸多的故事版本中，我覺得下面這個版本的故事更為接近“啤酒與尿布”真正的身世因果和BI應 用的真實場景：“曾有一段時間，沃爾瑪在美國的店面經理發現一種現象：每周啤酒和尿布的銷量都會有一次同比攀升，但一時搞不清是什么原因。后來，沃爾瑪運 用BI技術發現，購買這兩種產品的顧客幾乎都是25～35歲、家有嬰兒的男性，每次購買時間均在周末。沃爾瑪在對相關數據分析后得出，這些人習慣晚上邊看 球賽、邊喝啤酒，對于要照顧的孩子，為了圖省事就用一次性尿布。得到結果后，沃爾瑪決定，把這兩種商品集中擺在一起，結果銷量有了顯著增加。 ”
請注意三個關鍵點：“有一段時間、店面經理發現、后來運用BI技術分析”。這與BI能自動挖掘出“啤酒與尿布”，可是相去甚遠的兩重境界！
引用一位同行的觀點：“啤酒和尿片的故事很早就有人置疑，可參考這個鏈接：http://web.onetel.net.uk/~hibou /Beer%20and%20Nappies.html。事實上，在網絡數據/文本挖掘領域的從業者中，很少有人會刻意提到‘智能’這個詞，因為它實在是 有點outdated（過時的， 不流行的）。上個世紀六十年代AI（人工智能）在機器推理和知識表述領域巨大的成功，使得人們很樂觀地估計要不了多長時間就能真正實現機器智能。后來四十 多年的發展證明這是個徹頭徹尾的泥潭，反而是原來在AI領域不那么正統的機器學習越來越受到人們的重視。即便是對最外行的人作解釋，任何一個嚴肅的機器學 習專業的人也不會說自己的程序是智能的。”
2、購物籃分析連算法代碼都公諸于世了，挖掘出的成果還有什么可保密的？既然“啤酒與尿布”是被“自動數據挖掘工具”給挖掘出來，那就應該有源源不斷的精 彩案例傳頌于世；而“啤酒與尿布”已經走紅多年了，怎么還是在唱獨角戲？購物籃分析是高端應用，高端應用往往意味著高投入，高投入就必須有高回報，僅憑一 個從海量的交易數據中挖掘出銷售額占比微不足道的“啤酒與尿布”的案例，似乎很難打動追求投資回報的零售企業。
3、在一本書中是這樣介紹的：“研究‘啤酒與尿布’關聯的方法就是購物籃分析，購物籃分析是沃爾瑪秘而不宣的獨門武器，購物籃分析可以幫助我們在門店的銷 售過程中找到具有關聯關系的商品，并以此獲得銷售收益的增長！”如果我們軟件廠商真的用這幾句話來跟客戶交流，客戶只需一句話就很可能讓我們趴下：“請找 找看牙膏和牙刷有沒有關聯關系？”
雖然我們強調，關聯挖掘算法的價值在于它的窮舉性可以發現人們未曾關注到的類似“啤酒與尿布”這樣潛在的關聯規則；但這是否意味著，它可以拒絕人們用已知的關聯規則來驗證它的可信度？
資料上介紹的能自動挖掘“啤酒與尿布”關聯關系的模型與算法在技術層面的科學性是無庸置疑的！“只要有力氣拿得起牙刷的人就一定會用到牙膏”也是無庸置疑 的常識！問題可很能會出在：購物小票上用來分析的牙膏和牙刷是兩種商品（單品），而陳列在貨架上的牙膏和牙刷卻是兩個頗有規模的商品群；數十種品牌、系 列、口味、功效、不同的包裝規格、不同的消耗周期、不同的單次購買數量、越來越快的產品更新換代、消費者對新體驗的追求、甚至在牙膏包裝中贈送牙刷，這么 多種因素的綜合交錯會大幅度地稀釋牙膏牙刷在單品層面形成“同時并且重復購買的組合”的概率，對購物小票進行遍歷分析后很有可能會得出反常識的結論：牙 膏、牙刷這兩種商品之間沒有關聯性！
對自動挖掘“啤酒與尿布”這類潛在的“同時并且重復購買的商品組合”大可不必那么癡迷，我們其實可以用“購物籃分析”演繹出更為現實更有價值的應用！比如 通過構建會員消費檔案來挖掘出會員與商品、品牌、營銷方式、供應商等等之間多維度的關聯規律，幫助商場在數以百萬計的茫茫顧客群中精確鎖定個性化營銷的目 標。
