在业务发展期，我们拥有了远超产品探索期的用户量。在拥有海量用户的同时，我们也需要投入大量的人力成本、运营成本去维系这些用户。但我们打造产品，始终需要平衡投入成本，也需要有人为产品与服务买单。
因此，在业务发展阶段，我们以活跃用户规模以及用户商业化作为业务目标，采取RFM模型作为用户的分级依据之一。RFM模型作为一个存在已久的用户价值模型，被广泛应用于传统、销售行业。
首先解释一下RFM模型的构成：
- Recency：最近一次消费，即用户距离当前最后一次消费的时间。最近一次消费的时间距今越短，对我们来说更有价值，更可能有效地去触达他们。
- Frequency：消费频次，用户在一段时间内，在产品内的消费频次。
- Monetary：消费金额，即用户的价值贡献。
基于这三个维度，我们将每个维度划分为高、中、低三种情况，并构建出完整的用户价值象限。
通过上面的RFM模型，我们可以更加直观的把用户划分为8个不同层级。如果能够找出产品内用户隶属于以上8类中的哪一类，就可以针对性的制定运营策略。
比如，某用户最近一次消费时间距今比较久远，没有再消费了，但是累计消费金额和消费频次都很高，说明这个用户曾经很有运营价值（属于 “重要保持客户”），我们不希望他流失。所以，运营人员就需要专门针对这类型用户，设计召回用户运营策略，这也是RFM模型的核心价值。
在划分完不同层级后，最困难的事情在于如何制定每个值的高、中、低评判标准。一般而言，在结合实际场景需求的同时，我们可以通过散点图进行大致的区分。
通过散点图，我们可以比较直观的看清用户分布情况。进行确定评判标准时，尽可能的将密集部分划分在一起，促使用户群体的行为共性更大。与此同时，需要我们在实际运营过程中进行不断调整。如果面临超大规模的数据时，如果能通过聚类分析等手段，可以得到更加科学精准的结果，从而帮助我们进行标准制定。