（一）RFM模型计算网络客户价值出现的问题
美国数据信息研究中心的Hughes这样表示：近度R（Recency）、频度F（Frequency）、值度M（Momentary）构成了用户消费过程中客户细分的标准，。RFM模型应用在这里是简便充分的，可是在计算网络客户价值时还有一些问题。主要涵盖了以下几部分：
1.网络客户对行业的直接利润
在如今的电商时代下，运用RFM模型开展用户价值测算时会发现有的用户价值和其现实价值的差距较大，例如：测算获得的网络客户价值较高但现实对行业的利润供应度却不是很高。在逐渐激烈的电商行业斗争中，电商行业常用各类节日如年中“618大促”、“双十一”、“双十二”等为噱头开展各类销售盛典，或者是考虑品牌的长远发展实施的薄利或零利润销售的行为，有的“睿智”的网络客户一般都会挑选在这些节日里消费甚至每次销售活动都不曾错失，这就给了电商行业一个“忠诚用户”的幻象。然而现实情况是，通过测算这种级别的网络客户对行业的直接利润就不难发现，此类消费者对行业的利润供应是非常小的。因此，在RFM模型中，增加网络客户对行业直接利润有关标准，这对模型的正确度的提升大有好处。
2.关于指标权重
传统RFM模型中，各个指标的权重相同，与实际各因素对网络用户价值影响有一定的差距。比如，对于指标R来讲，依据一般的RFM模型细分原则，被分到R4范围的网络客户不一定比处在R2范围的用户价值小，这与实际中用户的消费总金额以及消费习惯都有一定的联系，特别是网络客户，其各自的差别更为突出。所以，针对RFM模型中标准权重的设计，需要尽量地照顾到各个因素对网络客户造成影响的程度，并且注意到其中的差别。
3.关于细分结果
把R、M、F各自分成5个级别，从而获得125个用户群体，这会导致细分报告的用户群体过多，不易对每一用户群体开展精准分析，并且其对核心用户群体的识别也趋于繁复。