假如计算出RFM矩阵权重的权向量，那每一类客户的综合总得分等于：的各指标值的加权平均值，每类客户的总得分为 。 通过总得分的大小可以对RFM坐标空间划分的类客户进行优先级排序，指导运营支撑决策。 可视化分析 进行客户价值分类的过程中，需要能支持从不同维度来通过RFM模型对客户进行分类，针对同类别的客户采取不同的运营策略，数据驱动决策，帮助企业解决客户运营问题。其中最近消费以及消费频次是最有力的预测指标，可以预测客户下一次购买时间点以及行为。
取近两年还有订购记录的客户设定为一个集合统计客户样本数据，RFM模型 匈牙利电话数据 对图所示： 图 RFM模型对客户分析看板 按维度筛选； RFM客户价值分类：是整个RFM模型的核心，直观显示了个客户群的人数以及占比。 k均值聚类RFM模型H分层，对统计的样本客户进行分类； 个客户群：重要价值客户、重要发展客户、重要保持客户、重要挽留客户、一般价值客户、一般发展客户、一般保持客户、一般挽留客户； RFM分类-交易金额：在RFM指标中，往往我们更关心个客户群中各个客户群的价值贡献，交易金额可以更直观的看出哪个客户群的价值较大。
显示不同客户群的总M-消费金额以及消费金额占比； FM消费能力 – R消费流失：通过MF分布来直观看到客户的消费能力分布，进而通过R的大小来判断客户的忠诚度，定位价值高忠诚度高的客户群体。 横坐标为M-值度消费金额，纵坐标为F-频度消费频率，点大小为R-近度最近一次消费时间间隔； RF消费异动 – M消费额度：通过RF分布来直观看到客户的消费异动情况，进而通过M的大小来判断哪些客户更有必要挽回。 横坐标为F-频度消费频率，纵坐标为R-近度最近一次消费时间间隔，点大小为M-值度消费金额； RM消费潜能 – F消费频率：通过MR分布来直观看到客户的消费潜能情况，进而通过F的大小来挖掘更有价值的客户。