所谓探索性分析，主要是运用一些分析方法从大量的数据中发现未知且具有价值信息的过程。
对于初步探索性分析而言，数据可视化是一个非常便捷、快速、有效的方法，你可以使用作图、制表等方法来发现数据的分布特征，然后可以使用一些统计分析方法更深入地发现数据背后的信息。
常用的探索性分析方法包括：RFM分析、聚类分析、因子分析、对应分析等。
RFM的含义：
R（Recency）：客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。
F（Frequency）：客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。
M（Monetary）：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。
RFM分析就是根据客户活跃程度和交易金额的贡献，进行客户价值细分的一种方法。
RS：基于最近一次交易日期计算的得分，距离当前日期越近，得分越高。例如5分制。
FS：基于交易频率计算的得分，交易频率越高，得分越高。如5分制。
MS：基于交易金额计算的得分，交易金额越高，得分越高。如5分制。
RFM总分值：RFM=RS*100+FS*10+MS*1
RFM分析的主要作用：
识别优质客户。可以指定个性化的沟通和营销服务，为更多的营销决策提供有力支持。能够衡量客户价值和客户利润创收能力。
二、MingCRM RFM分析
MingCRM的决策分析通过客户价值比较、RFM分析、客户引荐能力分析识别分析客户价值。
客户价值比较把分类指标（客户类型、会员类型、发展阶段、停用原因）与消费指标（消费次数、消费金额、平均单价）、服务指标（退货次数、退货金额）相结合，通过日期选择比较一段时间内的客户价值。
客户引荐能力分析统计分析一段时间的客户引荐次数和被引荐人的消费能力。移动互联网日益普及，MingCRM微信公众号、微信商城、微信小程序商城、微信直播上线运营，转发和分享成为企业吸客的主要工具，引荐能力分析显得更具价值和必要。
RFM分析根据RFM模型算法，生成RFM价值多维分析视图。
更多内容，请致电北京大明咨询：400-668-9690
