现在有一个大社区，该街区有A、B、C、D......、Z等26个小区，每个小区有100个居民，且编号唯一（A1，A2，A3，......，A100，其他小区居民编号以此类推），总共是2600个居民。
社区旁边5站公交的地方开了一家shopping mall，提供吃喝玩乐购物一条龙服务，命名百度广场。百度广场希望进行一次以小区为单位的促销推广活动（如赠送积分购物卡），在做活动之前，需要确定这26个小区中的哪些小区的居民用户质量最高，最具备促销价值，然后定点投放。
目前收集到了小区全部居民在8月1日——31日的全部数据，内容如下：
出门①→公交②→百度广场购物③→百度广场看电影④→百度广场唱歌⑤→百度广场餐厅吃饭⑥
其中：
（1）①②③④⑤⑥的行为发生时间点都有记录
（2）③④⑤⑥的具体消费金额都有记录
（3）③的购物明细（购买了哪些商品）都有记录
（4）④的观看电影的节目单都有记录
（5）⑤的点歌单的明细都有记录
（6）⑥的菜单明细都有记录
（7）该社区只有888路公交车是抵达百度广场的，但是该社区公交站还有通往其他地方的公交车，如514,521,602路
（8）①②③④⑤⑥不是完全连续发生的
问题如下：
（1）如何判断单个居民质量的高低？如何判定哪些用户最具备促销价值？
（2）如何选择一个最具促销价值的小区？
解这道题的人分两种，一种是了解RMF模型的面试者，另一种是不知道RMF的面试者。
一、先谈谈了解RMF模型的面试者是怎么解这道题的。
1.什么是RMF模型？
RFM模型是广泛使用于传统零售行业的用户分层模型，它主要以三个维度的数据来划分用户层级（质量高低），RFM分别是：
R(Recency):离某个时间点最近的一次消费，为【近度】维度；
F（Frequency）:一段时间内的消费频次，为【频度】维度；
M(Monetary)：对应这段时间内的消费金额，为【额度】维度。
通过RFM模型，我们可以轻松划分出用户的层级，如下表：
重要价值客户：最近消费时间近、消费频次和消费金额都很高的，这些是我们的高质量用户。
重要发展客户：最近消费时间较近、消费金额高，但频次不高，忠诚度不高的用户，都很有潜力，可以重点发展。
重要保持客户：最近消费时间较远，但消费频次和金额都很高，说明这是个一段时间没来的忠实客户，我们需要主动和他保持联系。
重要挽留客户：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当基于挽留措施。
在了解了这些基本信息后，我们就可以针对面试题目进行分析了。
在题目中，用户的行为路径是
出门①→公交②→百度广场购物③→百度广场看电影④→百度广场唱歌⑤→百度广场餐厅吃饭⑥
按照RFM模型，我们可以将用户层级分为如下几个部分：
R——7天（R3），8~15天（R2），16~31天（R1），考察的是客户购买的沉默期；
F——1次（F1），2~3次（F2），3次以上（F3），可以把3次作为客户是否发展为忠诚客户的一个参考标准；
M——100（M1），101~1000（M2），1000以上（M3），这个需要按照实际情况来划分，其重点在于考察客户的购买能力。
（1）通过上面的划分，我们就可以将客户群细分为（R1F1M1）、（R1F1M2）、（R1F1M3）等27个部分了。再将这27个客户群，按照RFM模型进行分析，划分出重要价值客户，一般价值客户等就OK，这样，各个用户质量的高低就出来了，R3,M3,F3次数多的，都是高质量用户。
其中，重要发展客户（最近消费时间较近、消费金额高，但频次不高，忠诚度不高）和重要保持客户（最近消费时间较远，但消费频次和金额都很高）是我们这次活动的重要促销对象。对于他们，可以通过消费积分活动感召回来，属于高促销价值用户。
当然，这里面百度广场也可以结合自身特点去调整R、F、M各项内容的划分，比如可以划分为2、5、2级别，然后RFM对应的就是20个区间了。
（2）如何选择一个最具促销价值的小区？
在我看来，这个就得看小区中高发展客户和重要保持客户的具体比例了，两者用户比例最高的小区，可以选择做为这次促销的主要针对小区。
二、再谈谈不知道RMF模型的面试者是怎么样解这道题的。
首先先确立两个底层认知，a.数据是人逛出来的；b.数据驱动解决方案；c.不同的人对数据的观察不一。
1.数据是人逛出来的，这些数据，组成可视化数据曲线，供我们进行分析。
我们先做一个xmind，整理一下资源：
2.数据驱动解决方案，解决方案是由数据驱动的，从数据的资源中寻找问题的切入点。
问题一是：如何确定单个居民质量的高低？
这个无关个性化推荐的事，第二个数据组属于无效数据。
单个居民所拥有的数据是：
这里有7个数据，仔细观察一下，总消费金额与平均消费金额和总频率与平均频率是正相关的，因此“平均”对“总”来说，是在分析同一组数据，我们把“平均”删掉，剩下5个数据：
这几个数据归类，就会得到3个维度：
这三个维度，就是衡量单个居民质量的高低。
xyz的高、中、低组合排序，就可以对单个居民得到27个维度的划分，再对这27个维度进行权重衡量，就是第一个问题的解。
第二个问题，单个居民的促销价值，是建立在第一个问题上面的。
两个维度，居民质量高的，转化率也高的，就是促销价值高的。
最后：不同的人对数据的观察不一，我认为把有效数据和无效数据区分开来，是数据分析的关键。
