探索式分析
探索式分析，主要运用一些分析方法从大量数据中发现位置且有价值信息的过程，数据可视化是其一个非常便捷、快速、有效的方法。
常用的探索性分析方法：RFM分析、聚类分析、因子分析、对应分析等。
##RFM分析
应用背景：
在产品迭代过程中，通常需要根据用户的属性进行归类，也就是通过分析数据，对用户进行归类，以便于在推送及转化过程中获得更大的收益。RFM的含义：
R（Recency）：客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。
F（Frequency）：客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。
M（Monetary）：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。RFM分析就是根据客户活跃程度和交易金额的贡献，进行客户价值细分的一种方法。
RS：基于最近一次交易日期计算的得分，距离当前日期越近，得分越高。例如5分制。
FS：基于交易频率计算的得分，交易频率越高，得分越高。如5分制。
MS：基于交易金额计算的得分，交易金额越高，得分越高。如5分制。
RFM总分值：**RFM=RS*100+FS10+MS1**RFM分析的主要作用：
识别优质客户。可以指定个性化的沟通和营销服务，为更多的营销决策提供有力支持。
能够衡量客户价值和客户利润创收能力。
