【啊範的分析報告_1】
前言
在一些營銷場景下，對不同客戶給予相同的對待或策略有時不太合適，所以我們根據用戶數據，分析用戶行爲和消費傾向，並打上相應的標籤應用於不同廠家。用有限的公司資源優先服務於公司最重要的客戶，客戶與我們的粘性將會更高，並與雙方建立忠誠的合作關係。
在第一階段，我們基於RFM模型做用戶消費分析，並定義一些指標。
- 最近一次消費（Recency）
- 消費頻率（Frequency）
- 消費金額（Monetary）
數據集
- 我們選擇2019/03/03 到 2020/03/01一整年53周的數據作爲我們的數據分析數據集。
- 數據集包含總共10000個付費用戶，總銷售額￥1000 M。 （數據已脫敏）
- 我們使用GMV作爲銷售分析指標，退貨部分將在後續另做分析。
數據的選取我們通過HIVE在數據庫中選取，其中稍難的地方在於 最近一次購買——需要用到窗口函數 over （partition by xx) 的方法，疑問的同學可以去搜索下，後續我也會出SQL的一些常用方法和心得體會。
最近一次消費（Recency）
我們認爲用戶的最近一次消費行爲離今日越近，他當前的活躍度將會更高，價值也會更高。
因爲數據集對應的是TO_B的業務，所以我們此處定義用戶如果在周內有消費行爲且銷售額大於最低閾值，該用戶被標記爲該周活躍。
我們這邊用Tableau進行可視化分析：
#二月份過年且受到新冠狀病毒疫情影響，數據下跌顯著。
我們根據用戶不同Recency在銷售額上的數據表現，將用戶合理分爲四個組。
這邊需要提一下，分箱是一個很複雜的點。有的業務人員或者是初學者隨手等額/等距分箱，或者無腦“二八法則”，不管是從業務分析的角度還是投入模型的角度，效果可能都極差。
根據我們的分箱，分組表現如下：
超過85%的用戶在最近半年至少消費一次。
用戶最近一次消費在距今1~4周的用戶數量佔比爲10%，但提供了將近50%的銷售額。
最近一次購買距今超過9個月的用戶幾乎不產生消費。
這表示Recent_C組的用戶已經很有可能將要離開或者已經離開我們了。當然他們有被激活的機會，但是也許不應該花費過多，因爲這個羣組客戶的投資彙報（ROI）相對較低，也就是說 不同的兩個組，投入相同的有效資源，高ROI的羣組大概率會產生更高的回報。
消費頻率（Frequency）
如果用戶有任何購買行爲，並且訂單金額超過一個基礎閾值，他們這周就會被標記爲活躍用戶。我們認爲用戶的購買行爲越頻繁，他就會有更高的活躍度和交易價值。
分組表現如下——
很明顯，Fre_S級組別用戶最有價值。他們以10%的數量佔比貢獻了45%的銷售額。
消費金額（Monetary）
消費金額一直是商業中的核心指標。這邊可以根據需求差異使用銷售額，實際毛利等。
這邊單變量分箱我們採用Python模塊繪圖
分箱邊界及表現如下——
後40%的用戶幾乎不提供任何消費收益。
而Money_S組客戶只佔總體的10%，它貢獻了總體70%的銷售額。但其實進入S組的門檻並不太高，年銷售額超過￥xxxxx，已經可以加入消費S組。
這邊我們可以提供一個應用場景：會員升級 你的老闆讓你測算用戶升級對整體銷售提升的效果
基於M_part的用戶升級測算
事實上，用戶的層級相對來說不是那麼容易去改變。另一方面來說，通過有效的策略促進用戶升級成功，會對帶來巨大的業務增長。
我的測算基於如下思維邏輯——每個羣組的頭部用戶更有機會升級到下一個羣組的尾部，舉例 C組前25%消費排名用戶會有機會加入B組的尾部，B組前25%消費排名用戶會有機會加入A組的尾部。
B組頭部 → A組尾部 的升級 客戶只需要提高消費￥2000每年，所以只需要採取一些策略很容易就可以實現這個目標。所以我賦予這層的轉化率是80%，而最後能夠得到￥23M的收益。
A組頭部 → S組尾部 的升級 客戶需要提高消費￥11000，難度提高，所以我賦予這層的轉化率是50%，而最後能夠得到￥43.5M的收益。
僅僅通過這兩個可行度較高的部分就可以增加66.6M的銷售提升，而所需的成本很可能就是一些積分，頭銜等。但是如果需要提升更高的銷售額，那可能需要與客戶分享一部分收益。
自然還有A級中部用戶升級爲頭部用戶，S級底部用戶升級爲中部用戶…還有活躍部分R和F都可以做很多的提升策略，用戶一直是很大的寶藏。
RFM
通過上述分析，我們得到三個簡單標籤——最近一次消費，消費頻次，消費金額
很多分析者喜歡一上來就把三者賦予對應權重，合併計算出一個得分，確實有可取的場景。但其實每一個標籤不是爲了單個分析報告或者業務活動服務進行的一次性分析。主要還是作爲數據資產，以用戶標籤庫的形式，隨取隨用，服務於各個業務及分析場景。
這邊我們將三者聯合，
我們可以看到各個標籤下用戶的表現然後結合具體業務目的分析。
我們選擇三個重要標籤組來演示：
同樣，我們可以給每個標籤內的組別賦予相應的分值，再對每個標籤給定相應地權重，來計算出一個總體得分。
兩個應用場景：
1、 如果我們舉辦一個營銷活動關於老客戶的促銷，我們賦予 R 30%的權重 F 30%的權重 M 40%的權重
用每個用戶所在組別對應的分值 X 標籤權重 求和 可以得到用戶的得分 優先篩選合適分段用戶即可
2、如果我們要辦一個流失用戶召回的活動，我們就可以直接選擇R標籤中的 Recent_C 或更久沒有消費的用戶，同時他的M得分很高，就可以獲得更易召回的目標用戶。
最後
這些標籤在面對不同的業務環境是會有很多的應用場景，同時他們也可以與更多的標籤和數據結合，關聯分析來產生更高的業務價值。
不要忽略時間，地區的差異性。不同的地區的用戶有着不同的消費水平，我們可以結合具體業務場景分別討論。
本報告完全基於個人實際工作，儘量詳細。不清楚的地方和其他想了解探討的方向，歡迎留言
覺得有用，請在下方點贊、關注、轉發給更多好友！
微信公衆號：範十八