python做RFM代碼太複雜，使用Tableau多簡單！

↑ 點擊上方 “凹凸數據” 關注 + 星標 ~

每天更新，大概率是晚9點

關於RFM模型的介紹和pyhton實現過程見之前發過的文章！

本文旨在通過2015-2018的客戶訂單分析，瞭解各大區銷售經營情況、不同偏好，並通過RFM模型來進行客戶價值分類，實現定向營銷。

現在開始手把手教學RFM實戰的軟件操作：

1、數據表的介紹

數據已經提供了，該數據是2015-2018的客戶訂單經過脫敏後得到的數據，共包含了8987條記錄，該數據的字段很多，但是對於RFM建模，我們只需要“客戶名稱”、“銷售額”、“日期”，就可以完成RFM模型的構建。下面我們只截圖展示表中的部分數據。

2、計算RFM的值(MySQL)

其實RFM的值，我們這裏利用一個SQL語句就可以解決，但是我們爲了更細緻的講解RFM值的計算過程，這裏分開進行一一敘述。

① R值的計算

R值(近度) = （當前時間-最後一次消費時間）
當前時間：我們指定是“2019-04-01”，因爲這是分析以前的數據，所以當前時間是那個時候的某個時間。

select 
        客戶名稱,
        max(日期) 最後一次消費時間,
        datediff("2019-04-01",max(日期)) R值
from dingdan
group by 客戶名稱;

結果如下：

② F值的計算

F值(頻度) =（客戶購買的頻次）
這裏的購買頻次以天爲單位，即使一天買了多單，這一天的頻次就是1。

select 
        客戶名稱,
        count(distinct(日期)) F值   # 注意這裏的去重操作
from dingdan
group by 客戶名稱;

結果如下：

③ M值的計算

M值(額度) = （一段時間的總額或平均額）

select 
        客戶名稱,
        count(distinct(日期)) F值,
        sum(銷售額) 總額,
        round(sum(銷售額)/count(distinct(日期)),2) M值
from dingdan
group by 客戶名稱;

結果如下：

④ 其實RFM值一個SQL語句就可以解決

select 
        客戶名稱,
        datediff("2019-04-01",max(日期)) R值,
        count(distinct(日期)) F值,
        sum(銷售額) 總額,
        round(sum(銷售額)/count(distinct(日期)),2) M值
from dingdan
group by 客戶名稱;

結果如下：

3、Tableau中進行RFM值的計算

① 連接MySQL數據庫

② 新建“自定義SQL”，獲取我們用於分析的數據源

③ 在工作表中，完成如下一系列操作

④ 創建“計算字段”，計算R_SCORE

注意：我們這裏採用5級打分規則(業內一般都是這樣打分的)，但是分段標準是根據實際業務爲驅動，進行討論後得出。同理，我們可以計算出“F_SCORE”和“M_SCORE”，操作如上，這裏就不詳細進行說明。F_SCORE的計算如下：

M_SCORE的計算如下：

4、用戶分類

① 創建“計算字段”，計算RFM的平均值

R_SCORE的平均值：

F_SCORE的平均值：

M_SCORE的平均值：

② 創建“計算字段”，進行RFM值高低的判斷

分別將“R_SCORE”、“F_SCORE”、“M_SCORE”和“R平均值”、“F平均值”、“M平均值”進行一一比較，大於平均值就是1，否則爲0。R值高低的判斷

F值高低的判斷

M值高低的判斷

③ 創建“計算字段”，進行客戶價值判斷(最麻煩)

IIF([R值高低的判斷]=1 and [F值高低的判斷]=1 and [M值高低的判斷]=1,'重要價值客戶',
    IIF([R值高低的判斷]=0 and [F值高低的判斷]=1 and [M值高低的判斷]=1,'重要喚回客戶',
    IIF([R值高低的判斷]=1 and [F值高低的判斷]=0 and [M值高低的判斷]=1,'重要深耕客戶',
    IIF([R值高低的判斷]=0 and [F值高低的判斷]=0 and [M值高低的判斷]=1,'重要挽留客戶',
    IIF([R值高低的判斷]=1 and [F值高低的判斷]=1 and [M值高低的判斷]=0,'潛力客戶',
    IIF([R值高低的判斷]=1 and [F值高低的判斷]=0 and [M值高低的判斷]=0,'新客戶',
    IIF([R值高低的判斷]=0 and [F值高低的判斷]=1 and [M值高低的判斷]=0,'一般維持客戶',
    IIF([R值高低的判斷]=0 and [F值高低的判斷]=0 and [M值高低的判斷]=0,'流失客戶','錯誤檢測'))))))))