数学方法构建判断矩阵，将三维数据（RFM得分）变为一维数据进行比较，对企业从多角度进行VIP顾客管理与服务提供参考依据。吕斌、张晋东（2013）在运用RFM模型对商业银行顾客进行分类的基础上，通过数学算法确定了商业银行各类顾客的营销策略问题。王渊（2013）利用顾客交易的历史数据算出每位顾客的R、F、M值，之后利用RFM模型确定顾客的价值高低，再针对不同价值类别的顾客采用基于顾客偏好的协同过滤技术进行个性化商品推荐，有效提升了顾客的重复购买率。
综上所述，RFM模式的优点在于资料搜集容易、计算逻辑简单、适用于多个行业，最重要的是，RFM的三个属性被许多研究证实，对于识别顾客价值有很强的解释能力，对各行业企业实施差异化营销策略，提升顾客重复购买率起到了支撑作用，但在模型变量的权重确定方面以主观判断为主，难免影响最终分析的客观性。
本文根据电信行业顾客数量多、消费数据维度多、顾客生命周期长等特点，在传统RFM模型的基础上，运用层次分析法确定模型中各个变量的权重，以期更加客观的预测顾客未来的购买情况，为企业精准营销策略的制定提供参考依据。
建模背景
本文以某市电信企业的全网语音用户（剔除无效用户）为研究对象，根据其2016年10月及10月之前的消费数据，预测其在下一个月是否继续订购通用叠加流量包，以合理制定顾客接触频率，进而提高现有顾客的订购率。根据历史数据分析，发现订购通用叠加流量包的用户主要跟订购时间、订购金额以及订购次数有关，这跟RFM模型的三要素相吻合，因此本文采用RFM模型对通用叠加流量包的订购情况进行预测分析。
如果把流量包也当作一件商品来看待，那正好跟传统的RFM模型的指标一致，R表示用户最近一次订购流量包距离分析点的时间，F表示用户一定时间段内订购流量包的次数，M表示用户一定时间段内订购流量包的总费用，最后用计算公式：RFM_SCORER×WRF×WFM×WM（Wx表示各参数的权重值）计算出最终得分。
模型构建
（一）样本选择
本研究主要是根据历史消费数据进行预测，因此假设只要订购过流量包业务的用户都有可能在未来订购通用叠加流量包，据此选择2016年810月订购过任何流量包业务的用户作为建模样本。
f龙源期刊网httpwwwqika
comc
（二）权重确定
对目标用户计算各属性值，提取出用户的R（最近的流量包订购时间）、F（订购次数）、M（累计订购的费用），表1列出了各属性的描述性统计量，其中R代表最近订购日期距离测试日期20161101的间隔。
构建判断矩阵，本文r