RFM分析

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：

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

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

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：

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：

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：

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：

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：

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：

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：

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：

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：

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：

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：

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：

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：

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：

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：

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

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。