[]
对于大多数零售和销售行业来说,除了销售数据分析之外,还有一点值得关注的就是客户价值。
RFM模型用于分析客户价值,它包括三个关键指标:
R(Recency),最近一次消费时间间隔
F(Frequency),消费频率
M(Monetary),消费金额
一般来说,最近一次消费的间隔越短、消费频率和消费金额越高,客户价值越大。
实际上在分析所有客户数据时,如果为每个客户计算R、F、M值,不能清晰直观地反映规律,所以我们按照R、F、M值对客户进行分组。
首先,选择每个客户并计算上述三个指标的值。
其次,从以上结果来看三个指标的平均值;
第三,对每个客户进行分组。
如果R值<平均R值,则属于R↑,我们标记为R_UP,否则属于R↓,我们标记为R_DOWN;F和M值的逻辑类似。如果F值>平均F值,则属于F↑,我们标记为F_UP,否则属于F↓,我们标记为F_DOWN;如果M值>平均M值,则属于M↑,我们标记为M_UP,否则属于M↓,我们标记为M_DOWN;
R ↓ F ↓ M ↓ R ↑ F ↑ M ↑之间任意组合为8组,映射到业务定义,如下:
R↑F↑M↑:重要价值客户
R↑F↑M↓:一般价值客户
R↑F↓M↑:重要发展客户
R↑F↓M↓:一般发展客户
R↓F↑M↑:重要保持客户
R↓F↑M↓:一般保持客户
R↓F↓M↑:重要挽留客户
R↓F↓M↓:一般挽留客户
然后基于这个组和平均值,用户可以进行更复杂的分析和仪表板,如会员分类、会员百分比、会员消费百分比。
得到最终的 RFM 值,关键是得到 R,F、M 值分别与平均值的比较结果,如下图所示:
所有指标均使用新加度量值来实现。
首先来看 R。
这里以最新的业务日期为锚点,最新业务日期的度量值,我们暂且将其命名为 Rday:
MAXX('Sales','Sales'[Order Date])
然后计算客户最后消费日期距离业务最新成交日期的天数,也即我们这里指的最后一次消费时间间隔R:
为了更方便,我们先得出业务最新成交日期,暂且将其命名为Rmax。然后再求间隔。
CALCULATE(
MAXX(
'Sales',
'Sales'[Order Date]
),
REMOVEFILTERS(
'Customer'[Name]
)
)
DATEDIFF(
'Sales'[Rday],
'Sales'[Rmax],
Day
)
接下来计算平均间隔天数的度量值,这里将其命名为 Ravg:
CALCULATE(
AVERAGEX(
SUMMARIZECOLUMNS(
'Customer'[Name],
"rdayValues",
datediff(
'Sales'[Rday],
'Sales'[Rmax],
day
)
),
[rdayValues]
),
REMOVEFILTERS('Customer'[Name])
)
R 和 Ravg 都有了,如果最近消费间隔天数比平均天数短,则客户价值越高,我们标记为R_UP,反之则低,标记为R_DOWN。
这里我们用Rrank 来命名这个度量值。
IF(
'Sales'[R]<='Sales'[Ravg],
"R_UP",
"R_DOWN"
)
这样,R 的指标就计算出来了。
下面用同样的方式来计算 F 和 M .
我们需要拿到每个客户的消费频次,平均消费频次,然后将这两个值进行比较,得出 F_UP 或者 F_DOWN。
客户的消费次数 F
DISTINCTCOUNTX('Sales','Sales'[Order Number])
平均消费频次 Favg
CALCULATE(
AVERAGEX(
SUMMARIZECOLUMNS(
'Customer'[Name],
"fCount",
calculate(
DISTINCTCOUNTX('Sales','Sales'[Order Number])
)
),
[fCount]
),
REMOVEFILTERS('Customer'[Name])
)
Frank
IF(
'Sales'[F]<='Sales'[Favg],
"F_UP",
"F_DOWN"
)
我们需要拿到每个客户的消费金额,平均消费金额,然后将这两个值进行比较,得出 M_UP 或者 M_DOWN。
消费金额 M
SUMX(
'Sales',
'Sales'[Quantity]*'Sales'[Net Price]
)
平均消费金额 Mavg
CALCULATE(
AVERAGEX(
SUMMARIZECOLUMNS(
'Customer'[Name],
"mValues",
calculate(
'Sales'[M]
)
),
[mValues]
),
REMOVEFILTERS('Customer'[Name])
)
Mrank
IF(
'Sales'[M]<='Sales'[Mavg],
"M_UP",
"M_DOWN"
)
上面的这些度量值已把 R、F、M 三个指标计算出来,下面来看看如何展现根据这三个指标来对客户进行分类。
将三个指标组合成一个 RFM 值:
RFM 值 = [R 值]&[F 值]&[M 值]
计算每个客户所属的RFM类型:
SWITCH(
true,
AND(
AND(
'Sales'[Rrank]="R_UP",
'Sales'[Frank]="F_UP"
),
'Sales'[Mrank]="M_UP"
),
"重要价值客户",
AND(
AND(
'Sales'[Rrank]="R_UP",
'Sales'[Frank]="F_UP"
),
'Sales'[Mrank]="M_DOWN"
),
"一般价值客户",
AND(
AND(
'Sales'[Rrank]="R_UP",
'Sales'[Frank]="F_DOWN"
),
'Sales'[Mrank]="M_UP"
),
"重要发展客户",
AND(
AND(
'Sales'[Rrank]="R_UP",
'Sales'[Frank]="F_DOWN"
),
'Sales'[Mrank]="M_DOWN"
),
"一般发展客户",
AND(
AND(
'Sales'[Rrank]="R_DOWN",
'Sales'[Frank]="F_UP"
),
'Sales'[Mrank]="M_UP"
),
"重要保持客户",
AND(
AND(
'Sales'[Rrank]="R_DOWN",
'Sales'[Frank]="F_UP"
),
'Sales'[Mrank]="M_DOWN"
),
"一般保持客户",
AND(
AND(
'Sales'[Rrank]="R_DOWN",
'Sales'[Frank]="F_DOWN"
),
'Sales'[Mrank]="M_UP"
),"重要挽留客户",
AND(
AND(
'Sales'[Rrank]="R_DOWN",
'Sales'[Frank]="F_DOWN"
),
'Sales'[Mrank]="M_DOWN"
),"一般挽留客户",
"其他"
)
至此,RFM 模型所需要的度量值已写完,利用这些度量值就可以进行 RFM 分析了。
另外,您也可以制作一张如下类似下图这样的综合数据看板,来辅助分析。
以上示例使用度量值来实现的整个过程,我们也可以通过计算列来实现各个步骤,最终得到的结果也是一个计算列。然后就可以使用结果作为维度和统计数据。
以下是一个综合示例,您可将示例包导入系统中查看使用:wyn-export-20220613104537.zip