[]
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 |
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;
分析步骤:
收集数据
处理数据,添加所需要的计算列
通过和平均值比较,向量化三个指标
根据特征向量进行客户分类
绘制RFM分析图
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;
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 |
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"
)
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;
通过条形图观察会员分组和会员数量之间的关系:
通过环形图观察会员分组和会员数量之间的关系:
通过树形图观察会员分组和消费金额之间的关系:
在 Dashboard 中,按照 RFM 分析步骤实现,效果如下:
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。
下载资源包,然后将其导入系统,可看到最终实现效果。