[]
        
(Showing Draft Content)

RFM案例解析

1. 定义

RFM模型是衡量客户价值和客户创利能力的重要工具和手段,是根据美国数据库营销研究所的研究,客户数据库中三个神奇的要素,这三个要素构成了数据分析最好的指标:

  • Recency - 交易间隔:最近一次消费时间;

  • Frequency - 交易频度:最近一段时间内消费频次;

  • Monetary - 交易金额组成:最近一段时间内消费金额;

具体的含义如下表格所示:

指标

解释

意义

R

客户最近一次交易的时间间隔

R越大,表示客户越久没有发生交易

F

客户最近一段时间内的交易次数

F越大,表示客户交易越频繁

M

客户最近一段时间的交易金额

M越大,表示客户价值越高

2. 分析过程

通过一个客户的近期购买行为、购买的总体频率以及消费额度三个指标来描述该客户的价值状况;

2.1 分析步骤

分析步骤:

  1. 收集数据

  2. 处理数据,添加所需要的计算列

  3. 通过和平均值比较,向量化三个指标

  4. 根据特征向量进行客户分类

  5. 绘制RFM分析图

2.2 划分客户类型

首先,计算R、F和M的分值,计算方法是在各自的维度上分为高低两类,分值高记为2,分值低记为1;

R、F和M三个指标两两组合,可以得出8个不同的RFM值,按照实际情况分为8大客户群体类型;

具体分类规则如下所示:

用户类型

RFM分组

客户分析

重要价值会员

2 2 2

最近有交易,交易频次高,消费金额多

潜力会员

2 2 1

最近有交易,交易次数多,金额小,需要挖掘

重要深耕会员

2 1 2

最近有交易,金额高,但频次相对较低,需要重点识别

新会员

2 1 1

最近有交易,但频次不高,金额小,容易丢失,有推广价值

重要唤回会员

1 2 2

最近无交易,金额高,次数多,需要唤回

一般保持会员

1 2 1

最近无交易,次数多,金额小,一般维持

重要挽留会员

1 1 2

最近无交易,做出过最大的购买,可能流失,需要挽留

流失会员

1 1 1

最近无交易,金额小,订单数量少,流失会员

3. 数据处理

添加计算列 :

  • LastOrderDate 计算最后交易日期 :

Calculate(MaxX('RFMDataset', 'RFMDataset'[OrderDate]), Values('RFMDataset'[Userid]))
  • R,计算 R 的值 :

DateDiff('RFMDataset'[LastOrderDate], Now(), DAY)
  • R_AVG,计算 R 的平均值 :

AverageX(

DISTINCT(
  SELECTATTRIBUTES('RFMDataset'[Userid], 'RFMDataset'[R])
),
'RFMDataset'[R]
)
  • R_Grade,计算 R 的等级值 :

If('RFMDataset'[R] <= 'RFMDataset'[R_AVG], 2, 1)
  • F,计算 F 的值 :

Calculate(DistinctCount('RFMDataset'[OrderId]), Values('RFMDataset'[Userid]))
  • F_AVG,计算 F 的平均值 :

AverageX(

DISTINCT(
  SELECTATTRIBUTES('RFMDataset'[Userid], 'RFMDataset'[F])
),
'RFMDataset'[F]
)
  • F_Grade,计算 F 的等级值 :

If('RFMDataset'[F] >= 'RFMDataset'[F_AVG], 2, 1)
  • M,计算 M 的值 :

Calculate(Sum('RFMDataset'[PayAmount]), Values('RFMDataset'[Userid]))
  • M_AVG,计算 M 的平均值 :

AverageX(

DISTINCT(
  SELECTATTRIBUTES('RFMDataset'[Userid], 'RFMDataset'[M])
),
'RFMDataset'[M]
)
  • M_Grade,计算 M 的等级值 :

If('RFMDataset'[M] >= 'RFMDataset'[M_AVG], 2, 1)
  • RFM :

'RFMDataset'[R_Grade] & 'RFMDataset'[F_Grade] & 'RFMDataset'[M_Grade]
  • 会员分组,添加用户分组 :

 SWITCH('RFMDataset'[RFM], 
    "111", "流失会员", 
    "112", "重要挽留会员", 
    "121", "一般保持会员", 
    "122", "重要唤回会员", 
    "211", "新会员", 
    "212", "重要深耕会员", 
    "221", "潜力会员", 
    "222", "重要价值会员"
)

4. 可视化

在 Dashboard 中,基于用户分组,我们使用适合的图表,可以构建可视化页面;

4.1 绘制图表

通过条形图观察会员分组和会员数量之间的关系:

07-03-02

通过环形图观察会员分组和会员数量之间的关系:

07-03-03

通过树形图观察会员分组和消费金额之间的关系:

07-03-04

4.2 实现效果

在 Dashboard 中,按照 RFM 分析步骤实现,效果如下:

07-03-01

分析结论:

通过 Dashboard,通过图表,可以清晰直观的看到三个分析指标(间隔天数,交易频次,消费金额),两两之间的关系,便于指标之间的相关性评估。

在上面例子中,可以清晰的看出客户之间的会员分类和对应数量之间的关系,以及客户会员占比之间的关系等。

5. 资源下载

wyn-export-20230228084409.zip

下载资源包,然后将其导入系统,可看到最终实现效果。