RFM模型与客户价值分析

需求描述

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。

在仪表板中实现

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。

Recency:最近一次消费时间间隔

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 .

Frequency:消费频率

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"
  )

Monetary:消费金额

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。

RFM 结果作为维度分析

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