至于参考资料，就术语和进一步参考资料而言，使用 RFM 分析进行数据挖掘应该会有所帮助。

对客户响应概率进行建模的最简单（和流行）方法之一是使用带有 RFM 的逻辑回归作为解释变量（以及其他可用变量）。

对于货币价值建模，可以直接对 RFM 上的收入进行回归（通过使用一个简单的线性模型作为开始），这通常表现得非常好。根据我的经验，更高级/非线性模型（例如随机森林或梯度提升机）比线性模型做得更好。

另一种流行的方法是基于两个子模型构建一个稍微复杂的模型来预测货币价值：一个用于响应概率（例如，使用逻辑回归作为 RFM 的函数），另一个用于以响应为条件的收入（再次，它可以像 RFM 的线性模型一样简单）。预期货币价值是两个预测​​的乘积。

如果随机测试/控制数据可用，那么基于提升/净提升的技术在模拟治疗的增量效益方面非常流行。

至于客户生命周期价值，请参阅建模客户生命周期价值以获得评论和进一步参考。

关于 R 中的建模，我不知道有任何用于该类型建模的“现成”包。R 确实为此提供了所有必要的构建块（除非您拥有大量数据 - 在这种情况下，您可能不得不依赖更具可扩展性的工具）

不确定您是否仍在进行 RFM 建模。这里 ( pdf ) 是 R 中 BTYD 包的文章/小插图，可能对您有所帮助。整篇文章基于 R，它有 3 种不同的模型可供查看。在第 1 页，2.1 数据准备中，您可以看到有关 RFM 的上下文。

有一个新的 R 包在非合同设置（例如零售）中实现了一些 CLV 的最新建模技术： https ://cran.r-project.org/package=CLVTools

以下是基于服装零售商数据的分步演练： https ://www.clvtools.com/articles/CLVTools.html