评分方式是根据三组数据各个值的特性

假设当前统计时间为2019年12月31日，经过简单的统计计算可得：

• R值 = 12月31日 – 11月11日 = 50；
• F值 = 计数消费次数 = 4；
• M值 = 1200+300+900+2000 = 4400；

这里会遇到第一个问题：

R值最近一次消费时间表示用户最近一次消费距离现在的时间，消费时间越近的客户价值越大。以上方式计算出的R值越大说明当前用户最近一次消费时间越远用户价值越小，而F值还有M值越大代表用户价值越大，三组数据不在同一个描述维度，而且R值、F值、M值存在量级之间的差距，无法直观的通过加减来衡量用户价值。

这里有两种处理办法分别是评分方式和算法。

评分方式

评分方式是根据三组数据各个值的特性，采用5分制为各个数据赋予一个评分值，R值的评分机制是R值越大，评分越小。具体评分的规则可以根据经验设定分值的给予区间，或者将数据平均分配成为5组，对应5个分值。

在基于三组数据对应的评分值来计算评分值的平均数，大于等于平均数的数据划到高的维度，低于平均数的数据划到低的维度，自然将三组数据每组分别划分为高低两组，交叉组合后就是我们上面说过的8种情况。然后在将三组数据对应的评分值做累加就是RFM总值了。

评分机制的优势

计算RFM总值时解决了不同量级数据相加时影响权重不均衡的问题。由于用户的交易行为中R值和F值相对较小，如果三个值不处理就累加，M值直接决定了总值的量级，R值、F值对总值的影响很小，无法体现出用户的真实价值。

同样以刚刚的数据为例：RFM总值 = 50+4+4400= 4454

可见M值4400直接决定了最后计算结果的量级，前面R值、F值对结果的影响基本忽略不计。采用评分制的方法后，将R、F、M值都映射到了1至5的区间之内，保证了各数据之间的可比性。