根據美國資料庫營銷研究所Arthur Hughes的研究，客戶資料庫中有三個神奇的要素，這三個要素構成了數據分析最好的指標：最近一次消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)。

＊最近一次消費(Recency)：客戶最近一次購買至今的天數，可視為客戶對企業的活躍程度。計算方式為依據各客戶最後一次消費的日期至今天的天數進行排名，排名前20%之客戶為R5，排名21%~40%為R4，以此類推，最低為R1。

＊消費頻率(Frequency)：在RFM計算區間內客戶購買的次數，可視為代表客戶對企業的忠誠度。計算方式為依據RFM計算區間內客戶購買次數進行排名，排名前20%之客戶為F5，排名21%~40%為F4，以此類推，最低為F1。

＊消費金額(Monetary)：在RFM計算區間平均每筆訂單的消費金額，可視為客戶對企業的貢獻度和價值。計算方式為依據在RFM計算區間客戶的平均消費金額進行排名，排名前20%之客戶為M5，排名21%~40%為M4，以此類推，最低為M1。


Insight中使用RFM分群規則如下:

第一步先用F(Frequency)與M(Monetary)將資料分為FM1~FM5


接下來再用FM1~FM5與R(Recency)做分群


以上分群結果簡介:

＊優良的顧客: 近期有購買，並且購買次數與金額都很高，為忠實且貢獻度高的顧客。

＊重要發展顧客: 購買次數與金額很高，但有一段時間未消費，需重點關注否則會失去曾經貢獻度高的顧客。

＊沉睡的顧客: 購買次數與金額很高，但很長一段時間未消費，可能為已經流失之顧客。

＊安定的顧客: 近期有購買，但購買次數與金額相對較低，為安定但需要刺激購買的顧客。

＊新顧客: 近期有購買，但購買次數與金額低，可能為首次購買的顧客。

＊一般挽回顧客: 購買次數與金額相對較低，且有一段時間未消費，因貢獻度不高所以挽回的重要程度較低。

＊路過的顧客: 購買次數與金額相對較低，且很長一段時間未消費，可能為路過買一次就流失之顧客。