利用 Power BI 實現(xiàn) RFM 分析

本節(jié)給大家介紹的是RFM模型，RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段，通過一個客戶的近期購買行為、購買的總體頻率以及消費額度三個指標(biāo)來描述該客戶的價值狀況。其中，用R（Recency）表示交易間隔、F（Frequency）表示交易頻度、M（Monetary）表示交易金額組成，具體的含義如下表格所示：

本節(jié)所使用的數(shù)據(jù)集

鏈接：https://pan.baidu.com/s/1EJdJ6wBzXWXD5kASEJHnPA

提取碼：xo6x

下面一起來學(xué)習(xí)

本節(jié)所使用到的數(shù)據(jù)是.CSV數(shù)據(jù)，打開Power BI軟件，點擊獲取數(shù)據(jù)，從文本中獲取本節(jié)所使用的數(shù)據(jù)。

右鍵訂單日期列，在數(shù)據(jù)類型中更改數(shù)據(jù)類型為日期。

數(shù)據(jù)清洗后，在主頁里點擊關(guān)閉并應(yīng)用。

右鍵選擇新建列，寫入DAX函數(shù)，計算最后一個交易日期。

最后一個交易日期=MAXX(FILTER('Orders',EARLIER('Orders'[Uid])='Orders'[Uid]),'Orders'[Order_Date])

將最后一個交易日期的日期格式自定義為(yyyy/mm/dd)的格式。

R = DATE(2018,11,11)-'Orders'[最后一個交易日期].[Date]

點擊報表，選擇新建度量值，計算每一單的交易頻次。

F = DISTINCTCOUNT('Orders'[Order_Id])

同理計算每一單的交易金額。

M = SUM('Orders'[Pay_Amt])

計算完R、F、M的值后，需要將他們各自按照平均值劃分為高、低兩類，高于平均值的賦值為2，低于平均值的賦值為1，在建模中選擇新建表，用函數(shù)將用戶ID、R、F、M的值組成一張新表。

RFM = SUMMARIZE('Orders','Orders'[Uid],'Orders'[R],"F",[F],"M",[M])

新建列，使用AVERAGE函數(shù)，分別計算R、F、M的平均值。

AVG_R = AVERAGE(RFM[R])

AVG_F = AVERAGE(RFM[F])

AVG_M = AVERAGE(RFM[M])

算出R、F、M的得分，其中當(dāng)R值小于平均值時，賦值為2，大于平均值時，賦值為1；F值大于平均值時，賦值為2，小于平均值時，賦值為1；M值大于平均值時，賦值為2，小于平均值時，賦值為1；

R得分 = IF('RFM'[R]<=RFM[AVG_R],2,1)

F得分 = IF('RFM'[F]>=RFM[AVG_F],2,1)

M得分 = IF('RFM'[M]>=RFM[AVG_M],2,1)

合并RFM值，使用連接符連接起來。

RFM = 'RFM'[R得分]&'RFM'[F得分]&'RFM'[M得分]

依據(jù)前文提到的分組依據(jù)，這里按照RFM的綜合分值進(jìn)行分組，使用SWITCH函數(shù)將其分為8類。

會員分組 = SWITCH( 'RFM'[RFM],                   "111","流失會員",                   "112","重要挽留會員",                   "121","一般保持會員",                   "122","重要喚回會員",                   "211","新會員",                   "212","重要深耕會員",                   "221","潛力會員",                   "222","重要價值會員")

數(shù)據(jù)建模后，點擊模型，將Orders表和RFM表連接起來。

研究不同會員的分布情況，點擊簇狀條形圖，將會員分組拖入到軸，同時拖入到值，設(shè)置為計數(shù)，可以在格式里面設(shè)置標(biāo)題、數(shù)據(jù)標(biāo)簽、數(shù)據(jù)顏色等。

研究不同會員的占比情況，選擇圓環(huán)圖，將會員分組拖入到圖例，同時拖入到值，設(shè)置為計數(shù)，可以在格式里面設(shè)置標(biāo)題、數(shù)據(jù)標(biāo)簽、數(shù)據(jù)顏色等。

研究不同會員業(yè)績的貢獻(xiàn)度，選擇瀑布圖，將會員分組拖入到類別，將M值拖入到值，并設(shè)置值為占總和的百分比。

要查看具體的分組明細(xì)，可以將對應(yīng)的字段拖入到值，如果要修改某個字段的名稱，雙擊字段值可以對其進(jìn)行列名的自定義修改。

突出數(shù)據(jù)標(biāo)記，可以選擇卡片圖，拖入對應(yīng)的字段兒，這里將字段設(shè)置為平均值。

除此之外，還可以給這個Dashboard加一個篩選器，并添加標(biāo)題，圖表對齊，設(shè)置合適的大小，數(shù)據(jù)可視化的結(jié)果如下所示。

通過RFM模型分類后發(fā)現(xiàn)，重要價值會員數(shù)最多，這部分會員最近一次交易時間近、交易頻次高、交易金額大，是優(yōu)質(zhì)會員，針對這部分會員，可以加大一些優(yōu)惠力度，傾斜更多的資源，比如VIP服務(wù)、個性化服務(wù)、附加銷售、享受高折扣優(yōu)惠服務(wù)等。?????????????????????

而流失會員數(shù)也較多，這部分會員最近一次交易時間長、交易頻次低、交易金額小，有流失風(fēng)險，鑒于這部分客戶數(shù)占比較多，優(yōu)先考慮挽回，可主動增加造訪機(jī)會，推薦價值更高的產(chǎn)品，或一些優(yōu)惠措施來挽回客戶。

點分享

點收藏

點點贊

點在看