其中， X为改进RFM模型指标，FACTOR为因子，矩阵为因子得分系数矩阵。

第三，基于划分的客户细分聚类算法。“在选择聚类的算法时，由于改进的RFM指标都是数值型数据，不是分类属性数据，并希望客户类型互不重叠，因此我们使用基于划分的聚类算法(Partitioning Methods)进行客户细分。”曾小青解释道。它以各个指标在因子上的得分作为判断依据，将相似性较强的客户细分在一个类别中，相似性较弱的客户存在与不同类别中，确保了同一类别中的距离最小。最常用的基于划分的启发式聚类算法是k-means算法和k-中心点算法。k-means算法简单快速，但容易受噪声点和孤立点影响，且不适用于发现非凸面形状的聚类。k-中心点不是用质心来代表聚类，而是用最靠近中心的一个数据对象来代表聚类，消除了对孤立点的敏感性，具有较强的鲁棒行，但执行代价更高。典型的k-中心点算法有PAM算法、CLARA算法等。为了处理大数据集，可采用CLARA方法进行聚类，通过改进启发式函数，或结合其它方法，比如粗糙集法、遗传算法、Tabu算法等可进一步提升聚类效果。

经过改进的多指标RFM客户细分法，，避免了人为因素带来的数据偏差，提高了对客户细分的科学性和准确性。为数据挖掘的应用，以及消费行为的研究都提供了更好的依据。