همان‌گونه که پیش­تر بیان شد، روش RFM یکی از پرکاربردترین روش­ها در تعیین ارزش مشتریان است که ارزش مشتری را بر اساس پیشینه فعالیت­های وی تعیین می­نماید. علت این محبوبیت و کاربرد گسترده، توانایی مدل در انطباق با شرایط هر صنعت است. علاوه بر اوزان متغیرها که ثابت نبوده و بر اساس نظر مدیران ارشد هر شرکت تعیین می­ شود؛ متغیرهای این مدل نیز همواره ثابت نبوده و در هر صنعت، بر اساس شرایط خاص آن صنعت، تغییر می­ کند[۸۸]. در ادامه تعدادی از مطالعات اخیر که از مدل RFM استفاده نموده ­اند مورد بررسی قرار گرفته است.
چنگ^[۹۱] و همکارش [۸۹]، از مدل TFM بجای RFM استفاده کردند و مدلی برای تعیین مشتریان باارزش در صنعت مخابرات ارائه کردند. متغیرهای مدل آن‌ها عبارتند از:

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

مدت زمان تماس در ماه(T): میانگین مدت زمانی که مشتری از تلفن همراه خود برای تماس در طول ماه استفاده کرده است.
تعداد دفعات تماس در ماه(F): میانگین تعداد دفعاتی که مشتری از تلفن همراه خود برای تماس در طول ماه استفاده کرده است.
هزینه قبض پرداختی در ماه(M): میانگین هزینه­ای که مشتری هر ماه پرداخته است.
مطالعه­ دیگری که از روش RFM برای تعیین مشتریان باارزش استفاده نمود، [۹۰] است. در این مطالعه سعی شده تا با ارائه یک مدل، از بین افراد بیمار که به بیمارستان رجوع می‌کنند، آن دسته از بیمارآن‌که برای بیمارستان، ارزشمندتر هستند شناسایی شده و سپس دپارتمان­های بیمارستان، که با این دسته از بیماران سروکار دارند مشخص گردند؛ تا با تمرکز بر روی آن دپارتمان­ها سوددهی بیمارستان افزایش یابد. در این مطالعه از داده­هایی نظیر: تاریخ پرداخـت، نـوع درمان، نـام دپارتمان، تاریخ تولد فرد، تاریخ درمان و… استفاده شده است. با بهره گرفتن از روش RFM، بیماران به ۴ دسته تقسیم شده ­اند و مشخص گردید که ۲% از بیماران ۱۵ برابر بیشتر از دیگر بیماران ارزش ایجاد کردند.
در سال ۲۰۱۲، از مدل RFM در دسته­بندی بیماران یک کلینیک دندانپزشکی در تایوان استفاده شد[۹۱]. ازآنجاکه هزینه خدمات ارائه‌شده کلینیک برای تمامی مشتریان یکسان بوده، لذا با داشتن F می­توان M را محاسبه نمود؛ بنابراین متغیر M در این مطالعه حذف گردید. در این مطالعه مدل RFM تغییر کرده و به LRF تبدیل گردید. متغیر L نیز بیان‌کننده مدت زمان ارتباط مشتری از اولین مراجعه تا آخرین مراجعه است. هرچه این مقدار بالاتر باشد، ارزش مشتری بالاتر می­رود.
در سال ۲۰۱۳، از توسعه مدل RFM برای تعیین نیازهای اساسی شهروندان استفاده گردید[۹۲]. در این مقاله، با بررسی شکایات شهروندان و بکارگیری مدل FTiS، مشکلات موجود در خدمات ارائه‌شده توسط شهرداری و نیازهای اساسی شهروندان شناسایی گردید. متغیرهای مدل FTiS عبارتند از:
F: فرکانس (تعداد تماس­ها برای هر موضوع)
Ti: فاصله زمانی (تعداد روز فاصله بین اولین و آخرین شکایت/درخواست)
S: رضایـت(با تـوجه بـه اهمیـت رضـایت شهروندان و فقدان مشوق­های بازار، معیار “رضایت” بجای “پول” استفاده شده است).
هرچه میزان F و Ti بزرگ‌تر باشد، یعنی موضوع از اهمیت بالاتری برخوردار است. هرچه میزان رضایت شهروندان کمتر باشد، اولویت موضوع بالاتر است. هرچه Ti و F بزرگ‌تر شود، S کاهش می­یابد.
در سال ۲۰۱۲ در [۶]، میگوئز^[۹۲] و همکاران با بهره گرفتن از مدل RFM، اقدام به پیش ­بینی مشتریان رویگردان کردند. آن‌ها با بهره گرفتن از تحلیل دنباله^[۹۳] خریدهای مشتریان، احتمال رویگردانی مشتریان و زمان شروع این رویگردانی را مشخص نمودند. میگوئز و همکاران برای تحلیل دنباله خریدهای مشتریان، تراکنش­های آن‌ها را در دوره­ های ۳ ماه تقسیم ­بندی کرده و سپس آن‌ها را تحلیل کردند. تحلیل دنباله خریدهای مشتریان می ­تواند روند بلوغ اعتماد مشتری نسبت به شرکت را نشان دهد. آن‌ها برای تعیین مشتریان رویگردان، مقدار ثابت ۴۰% را به‌عنوان مقدار آستانه^[۹۴] تعیین کردند؛ بدین معنی که اگر میزان تراکنش مشتری در یک دوره ۳ ماه نسبت به دوره قبل ۴۰% کاهش داشته باشد، آنگاه احتمالاً مشتری رویگردان خواهد شد. به‌عنوان‌مثال در شکل۲- ۱۹ مشتری اول رویگردان نیست ولی مشتری دوما احتمالاً از آغاز دوره چهارم رویگردان شده است، چراکه میزان پول مصرفی وی(m) کمتر از ۳۶(۹۰*۴۰%) است.
شکل۲- ۱۹ تعیین مشتری رویگردان با بهره گرفتن از Monetary(منبع:[۶])
میگوئز و همکاران معتقد بودند که برای تعیین مشتریان رویگردان بایستی دنباله خریدهای آن‌ها را برای هر یک از متغیرهای R، F و M تحلیل کرد تا بتوان احتمال رویگردانی آن‌ها را مشخص کرد. آن‌ها مدل خود را در یک خرده­فروشی مواد غذایی امتحان کردند و توانستند مشتریان رویگردان را مشخص کنند.
در جدول۲- ۸ تعدادی از مطالعات اخیر و مدل­های توسعه‌یافته RFM مورد بررسی قرار گرفته است.
جدول۲- ۸ معرفی مدل های RFM توسعه‌یافته در سالیان اخیر

مدل RFM

شرح مدل

منبع

LRFM

در این مقاله از روش LRFM برای دسته­بنـدی مشتریـان استفـاده شده اسـت. ازآنجایی‌که این مطالعه در رابطه با یک صنعت نساجی شکل گرفته و همچنین به خاطر اینکه تقاضا در هر فصل متفاوت است، بنابراین در اینجا طول ارتباط را سالیانه و تازگی خرید را به صورت واحد زمانی در نظرگرفته تا تأثیری در آنالیز نداشته باشد. در این مقاله از روش خوشه­بندی دومرحله‌ای و شاخص وارد(Ward’s Index) استفاده شده است.

[۹۳]

RFMCi

این مقاله به دسته­بندی مشتریان یک شرکت آرایشی و بهداشتی پرداخته و مدل RFMCi را معرفی نموده است. متغیرCount Item (Ci) نشان‌دهنده تنوع محصولاتی است که مشتری خریده نموده است.
در این مقاله از روش WRFM استفاده شده است و برای محاسبه وزن معیارها از روش AHP استفـاده شده است. داده ­های انتخابی شامل آخـرین تاریخ خرید، تعداد خرید که نشان‌دهنده فرکـانس خرید مشتریـان است، مجمـوع هزینه­هایی که مشتری در طول یک سال پرداخت کرده است و شمارش تعداد آیتم­ها که اشاره به تنوع محصولاتی دارد که مشتری خریداری کرده است، می­باشد.

[۹۴]

EL-RFM
(eLearning RFM)

در این مقاله با بهره گرفتن از مدل RFM، دانش ­آموزان باانگیزه در فراگیری دروس شناسایی شده ­اند. متغیرهای مورد استفاده در این مقاله عبارتند از:
EL-R= average of interval of time
EL-F= number of login
EL-M= amount of time spends
این مطالعه در مرکز آموزش الکترونیکی تایوان پیاده­سازی گردیده است.

[۹۵]

GRFM

در این مقاله مدل جدید GRFM ارائه‌شده است. متغیر Group(G) برای حل مشکل مدل RFM ارائه‌شده است. در روش­های ساده RFM به خصوصیات آیتم­های خریداری شده(مثل قیمت، دوره عمر و…) توجه نمی­ شود. متغیر G بیان می­ کند که ابتدا باید خصوصیات آیتم­های خریداری شده توسط مشتری، در نظر گرفته شود و سپس مدل RFM پیاده­سازی شود.