↑ 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'))))))))
5、可視化展示
① 用戶清單——文本表的展示
上表由於“客戶”太多,怎麼設置“分頁顯示”呢?(一個牛逼操作)
Ⅰ 創建“計算字段”,爲表添加一個“編號”列
Ⅱ 點擊鼠標右鍵,將“編號”轉換爲離散
Ⅲ 將“編號”拖動到行中
Ⅳ 創建“計算字段”,爲表添加一個“頁碼”
Ⅴ 點擊鼠標右鍵,將“頁碼”轉換爲離散
Ⅵ 當出現如下頁面,完成如下操作
Ⅶ 當出現如下頁面,完成如下操作
Ⅷ 當出現如下頁面,完成如下操作
Ⅸ 效果展示
注意:使用同樣的操作,我們還可以添加一個“客戶名單”篩選器,效果如下。
② 客戶價值分佈
怎麼將上述標籤,改成百分比展示呢?效果如下:
③ 各類型客戶總交易額佔比
怎麼給這個餅圖添加百分比標籤呢?(這個技巧需要注意)
Ⅰ 完成如下1,2,3處的操作
Ⅱ 這一步很關鍵,有點技巧,按住CTRL鍵,將“總和(總額)”拖動到標籤中
怎麼講這個餅圖變爲圓環圖呢?(圓環圖更好看一些),這裏雖然有些難度,但是留給大家自己下去思考一下,實在不會可以問我。
④ 不同類型客戶的人均消費
⑤ RF分佈——M客戶流失
只要是做RFM分析,業內人士都喜歡拿RF值去看M,或者拿FM值去看R,或者拿RM值去看F,下面我們簡單舉一個例子,通過RF值去看M。
⑥ 忠誠度對比
這裏說的“忠誠度”,指的就是某個用戶老來買,說明很喜歡這個產品,對該產品忠誠度較高,即“忠誠度”的衡量使用的是“F值(頻度)”。
6、可視化大屏的佈局展示
① 當出現如下界面,完成如下操作
② 給可視化大屏添加一個“背景效果”
③ 給可視化大屏取一個名字
(這裏有一個技巧)
④ 拖動並佈局
最後將之前做好的一個個圖形,按住shift鍵,將其一個個拖動到右側進行佈局。
⑤ 進行多表聯動的操作
Ⅰ 按照下圖,完成如下操作
Ⅱ 接下來就是在下圖中進行操作
Ⅲ 最終的交互效果如下
後臺回覆「進羣」,加入讀者交流羣~