反馈已提交

网络繁忙

RFM分析

  • 文档创建者:九数云
  • 编辑次数:11次
  • 最近更新:Naya 于 2022-12-07
  • 1. 概述

    1.1 概述

    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,效果如下图所示:

    详情仪表板链接参见:RFM分析

    18.png

    1.4 实现思路

    使用分析表对原始数据进行加工。实现思路如下图所示:

    1)创建分析表,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 3 个指标。

    4)根据特征向量客户分类。

    2. 操作步骤

    2.1 创建分析表

    示例数据:RFM明细数据 .xlsx

    下载示例数据并 上传 至九数云,将「用户留存分析表」保存在项目中,选择创建一张分析表,如下图所示:

    1.png

    2.2 计算客户的消费指标

    接下来计算每个客户的消费指标。针对每个客户的关键指标三个:

    • 每个客户最近消费距离时间(Recency)

    • 每个客户的消费频次(Frequency)

    • 每个客户平均消费金额(Montary):计算每个用户平均消费金额之前需计算客户总体消费金额的平均值。

    2.2.1 计算客户总体消费金额平均值

    1)新增「分类汇总」步骤,将「Money」字段拖入汇总栏,并重命名为「客户总体消费金额平均值」,如下图所示:

    4.png

    2)点击「合并上一步数据」,选择全部字段。合并后的数据相当于新增一列字段「客户总体消费金额平均值」,如下图所示:

    5.png

    2.3.2 计算每个客户平均消费金额(M)和消费频次(F)

    新增「分类汇总」,将字段分别拖入指标栏和汇总栏。并设置「Date」字段展示最晚时间,「Money」字段汇总方式为平均值,「Amount」字段汇总方式为计数。如下图所示:

    6.png

    • 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「Amount」求「计数」即可。

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

    2.3.3 计算每个客户最近消费时间据今天数(R)

    添加「新增字段>公式」,并重命名为「最近消费时间据今天数」,使用 DATEDIF( )和 TODAY( ) 两种函数计算时间差,如下图所示:

    7.png

    2.3.4 计算「客户总消费频次平均数」

    1)新增「分类汇总」,将「Amount计数」字段拖入汇总栏,并重命名为「客户总消费频次平均数」,如下图所示:

    8.png

    2)选择「合并上一步数据」,勾选全部字段。合并后的数据相当于新增一列字段「客户总消费频次平均数」,如下图所示:

    9.png

    2.3.5 计算「最近消费时间据今天数」

    1)将「最近消费时间据今天数」字段拖入汇总栏,汇总方式选择「平均值」,如下图所示:

    10.png    

    2)选择「合并上一步数据」,勾选全部字段。合并后的数据相当于新增一列字段「最近消费时间据今天数平均值」。如下图所示:

    11.png

    2.4 客户特征向量化

    根据关键指标是否大于客户总体平均值水平,将客户特征进行向量化。

    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 消费金额向量化

    添加「新增字段>公式」,重命名为「M向量化」,当用户平均单次消费金额大于用户总体消费平均值时,标记为 1 ,否则标记为 0 。如下图所示:

    12.png

    2.4.2 消费次数向量化

    添加「新增字段>公式」,重命名为「F向量化」,当用户消费次数大于用户总体消费频次平均值时,标记为 1 ,否则标记为 0 。如下图所示:

    13.png

    2.4.3 最近消费时间据今天数向量化

    添加「新增字段>公式」,重命名为「R向量化」,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:

    14.png

    2.5 客户特征分析

    2.5.1 划分客户类型

    已经得到客户的特征向量值,根据以下可将客户划分分类:

    客户特征客户分类
    重要价值客户(111)最近消费时间近、消费频次和消费金额都很高(VIP)
    重要发展客户(101)最近消费时间较近、消费金额高,但频次不高,忠诚度不高,很有潜力的用户,必须重点发展。
    重要保持客户(011)最近消费时间交远,消费金额和频次都很高。
    重要挽留客户(001)最近消费时间较远、消费频次不高,但消费金额高的用户,可能是将要流失或者已经要流失的用户,应当基于挽留措施。
    一般价值客户(110)最近消费时间近,频率高但消费金额低,需要提高其客单价。
    一般发展客户(100)最近消费时间较近、消费金额,频次都不高。
    一般保持客户(010)最近消费时间较远、消费频次高,但金额不高。
    一般挽留客户(000)都不高。

    2.5.2 添加 RFM 指标

    添加「新增字段>公式」,使用 CONCATENATE()函数将 RFM 向量化值拼接起来,如下图所示:

    16.png

    2.5.3 RFM 自定义分组

    添加「新增字段>分类赋值」,根据 2.5.1 的内容对「RFM」列分类赋值,如下图所示:

    分类赋值的详细操作可参见:分类赋值

    17.png

    3. 效果查看

    这样将客户划分成了八种类型,针对不同的客户类型采取不同的策略维持客户。

    18.png

    附件列表


    主题: 数据分析模型
    • 有帮助
    • 没帮助
    • 只是浏览

    售前咨询电话

    400-811-8890转1

    在线技术支持

    热线电话:400-811-8890转2

    总裁办24H投诉

    热线电话:173-1278-1526

    文 档反 馈

    鼠标选中内容,快速反馈问题

    鼠标选中存在疑惑的内容,即可快速反馈问题,我们将会跟进处理。

    不再提示

    10s后关闭