[{"id":"bcb0874d-299b-448e-9552-9e9b25ef80dd","tags":[{"product":null,"links":null,"id":"ba7e818e-4f6b-4211-b1ac-58e3bafcf439","name":"\u66F4\u65B0","color":"orange","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"8ce3627e-9e58-471b-9133-4f135d191e7b","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"ae60ae59-34f5-4f32-a8eb-243ed1457543","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"3d4848c3-910f-4ffa-9153-60bb507334a9","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"133f4ca6-d951-4d65-a618-3dc6301266f7","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"de62ec1c-813e-40b1-8160-a4cd109afe64","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"2426c71d-8332-4cbd-a436-1ec4f8666464","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"2ce7b6b0-78aa-4e4b-bf8a-e4ba2f988298","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"4706db46-0811-4652-8f59-1e0a1da84758","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"8f1271bb-2cd9-4f39-9897-c15b239ee7ab","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"677e13a7-6f3e-449f-986c-2c3a26f8d54f","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"5e40f6dc-caec-49d7-a1d0-be65f06815ba","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"2457f0e0-9e71-4860-a87d-065e0fb84f84","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"d5c67fd0-1145-482c-9113-97b492c44c18","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"a609a8fa-ab91-4c1d-a1c3-d209d0463303","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]},{"id":"b4a9eb15-94e5-48df-b218-a24138f0cf9c","tags":[{"product":null,"links":null,"id":"adf72f47-7f61-4239-8392-b9bcc127fa80","name":"\u65B0\u589E","color":"green","productId":"0995490e-43fc-4d6e-bc8d-8e66f38b0c63"}]}]
在仪表板中,按照 RFM 分析步骤可实现如下所示效果:
通过仪表板组件可以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。
在例子中,也可以清晰的看出客户之间的会员分类和对应数量之间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,可以看到具体的设计细节,方便您参考学习。
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 | 说明 | 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。
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 |
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"
)
在仪表板中,基于用户分组,我们使用适合的组件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:
最终实现效果如下:
分析结论:
通过仪表板图表,可以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,也可以清晰的看出客户之间的会员分类和对应数量之间以及客户会员占比之间的关系等。