RFM分析

1.1 概念

RFM 分析是美国数据库营销研究所提出的一种简单实用客户分析方法，发现客户数据中有三个神奇的要素：

• 最近一次消费时间（R）：客户距离最近的一次采购时间的间隔。

• 最近一段时间内消费频次（F）：指客户在限定的期间内所购买的次数。

• 最近一段时间内消费金额（M）:客户的消费能力，通常以客户单次的平均消费金额作为衡量指标。

这三个要素构成了数据分析最好的指标。

1.2 解决的问题

RFM 分析就是通过三个关键指标对客户进行观察和分类，判断每类细分用户的价值。针对不同的特征的客户进行相应的营销策略。

1.3 预期效果

RFM 分析后，将客户划分为了不同分类，自助数据集效果如下图所示：

仪表板效果如下图所示：

在线预览：RFM分析

1.4 实现思路

使用自助数据集对原始数据进行加工。实现思路如下图所示：

1）创建自助数据集，选择 RFM 分析所需字段。

2）对数据进行加工，求得 3 个关键指标及其平均值。

3）通过和平均值比较，向量化三个指标。

4）根据特征向量客户分类。

2.1 创建自助数据集

找到 FineBI 中的内置数据表「RFM明细数据」，并使用它创建一个自助数据集，如下图所示：

将自助数据集命名为「RFM模型分析」，勾选以下几个字段，如下图所示：

2.2 计算客户的消费指标

计算每个客户的平均单次消费金额、消费次数、最后一次消费距今天数。

1）对数据进行分组汇总，如下图所示：

• 最近一次消费时间（R）：「DATE」的汇总方式选择「最晚时间」，可得到每个用户最近一次购买的时间；

• 消费次数（F）：由于有一条记录代表该用户购买了一次，所以随意拖入一个「CUSTOMERNAME」求「记录个数」即可；

• 平均单次消费金额（M）：「MONEY1」的汇总方式选择「平均」，可求到每个用户平均单次消费金额；

• 「MONEY」的汇总方式选择「求和」，可求到每个用户消费金额。
  

2）对字段重命名，方便之后理解，如下图所示：

3）求最近一次消费距今的天数，新增一列计算时间差，如下图所示：

2.3 计算所有客户消费指标的平均值

2.3.1 用户平均消费金额

1）新增列，计算所有用户消费总金额，如下图所示：

2）新增列，计算所有用户的消费总次数，如下图所示：

3）新增列，计算所有用户平均消费金额，用户平均消费金额=所有用户消费总金额/消费总次数，如下图所示：

2.3.2 用户平均消费次数

新增列，计算所有用户的平均消费次数，如下图所示：

2.3.3 最近一次消费距今平均天数

新增列，求所有用户最近一次消费距今的平均天数，如下图所示：

如此我们便计算出了：每个用户的单次消费金额和所有用户平均后的单次消费金额；每个用户的消费次数和所有用户平均下拉的消费次数；每个用户最近一次消费距今天数和所有用户最近一次消费距今平均天数。

2.4 用户消费指标评价

根据关键指标是否大于客户总体平均值水平进行评价，其中在 IF(xxx>客户总体xxx平均值,1,0) 中，小于总体平均的设为 0，大于总体平均的设为 1 ，使得 1 都是保持正向特征，0 保持负向特征。

2.4.1 次均消费金额评价

新增列，当用户平均单次消费金额大于用户总体平均值时，标记为 1 ，否则标记为 0 。如下图所示：

2.4.2 消费次数评价

新增列，当用户消费次数大于用户总体平均值时，标记为 1 ，否则标记为 0 。如下图所示：

2.4.3 最近一次消费距今天数评价

新增列，当用户最近消费时间距今天数小于用户总体平均值时，标记为 1 ，否则标记为 0 。如下图所示：

2.5 划分客户类型

已经得到客户的特征向量值，根据以下表格可将客户划分分类：

2.5.1 添加 RFM 指标

新增列「RFM」，使用 CONCATENATE() 函数将 RFM 向量化值拼接起来，顺序为：最近一次消费距今天数评价、消费次数评价、次均消费金额评价。如下图所示：

2.5.2 对 RFM 指标分组

新增列，对「RFM」列分组赋值，如下图所示：

分组赋值的详细操作可参见：新增列-分组赋值

点击创建好的「RFM 分析表」进行「数据预览」，即可查看数据。如下图所示：

至此，该自助数据集也可以通过仪表板进行客户分类相关数据的可视化展示。

仪表板效果图可参考本文 1.3 节。

仪表板效果详情可参考：RFM分析