Answers:
至于参考资料，就术语和其他参考资料而言，使用RFM分析进行数据挖掘应该会有所帮助。
建模客户响应概率的最简单（最受欢迎）方法之一是使用以RFM为解释变量的Logistic回归（以及其他可用变量）。
为了对货币价值建模，人们可以直接将RFM上的收入退还（通过使用简单的线性模型作为启动程序），通常效果出奇的好。在我的经验中，更高级/非线性的模型（例如，Random Forest或Gradient Boosting Machine）比线性模型要好。
另一种流行的方法是基于两个子模型构建一个稍微复杂一些的模型来预测货币价值：一个子模型用于响应的概率（例如，使用逻辑回归作为RFM的函数），另一个子模型用于基于响应的收入（同样，就像RFM的线性模型一样简单）。预期货币价值是两个预测的乘积。
如果可获得随机的测试/对照数据，则基于隆起/网状提拉的技术将非常普遍地用于模拟治疗的增量效益。
关于客户生命周期价值，请参阅建模客户生命周期价值以获取评论和更多参考。
关于R中的建模，我不知道该类型的建模有任何“现成”的软件包。R确实为此提供了所有必要的构造块（除非您拥有大量数据-在这种情况下，您可能不得不依靠更具可扩展性的工具）