本文來自於公衆號讀者投稿。做者Suke，數據愛好者，主攻方向：數據分析，數據產品化。微信
RFM模型簡介less
RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段。本文介紹如何經過用戶的交易行爲的明細數據，利用Tableau對RFM模型進行實現，從而能夠對其進行分析。ide
RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段。該模型經過一個客戶的近期交易行爲、交易的整體頻率以及交易金額三項指標來描述該客戶的價值情況。函數
R-最近一次消費（Recency），一般影響因素爲店鋪的記憶強度，接觸機會的多少，回購週期等。這個指標會用於決定客戶接觸策略，接觸頻次，刺激力度等。工具
F-消費頻率（Frequency），一般影響因素爲品牌的忠誠度，店鋪熟悉度，客戶會員等級，購買習慣等。這個指標會用於決定資源投入，營銷優先級，活動方案決策等。學習
M-消費金額（Monetary）,一般影響因素爲消費能力和產品的承認度。這個指標會用於決定推薦商品，折扣門檻，活動方案等。spa
依據上述RFM這三個指標，能夠將客戶羣劃分爲8類客戶價值。.net
（圖注：本圖來自point數據分析課程講義）3d
看到以上的8類客戶價值，那咱們每一類客戶的分佈究竟是怎樣的呢？如何才能算出咱們想了解的客戶價值分類的客戶佔比？下面咱們就來看一下。
tableau實現的客戶價值分類效果圖
本次咱們使用tableau來探究RFM模型，tableau能把數據分爲度量和維度兩種。度量和維度的介紹能夠參考下面連接：
https://help.tableau.com/current/pro/desktop/zh-cn/datafields_typesandroles.htm
能夠在原數據的基礎上，根據須要創建新的字段。只須要簡單的拖拽，就能夠很方便的做出圖形。
◆ ◆ ◆ ◆ ◆
RFM模型實現
咱們分5步用tableau實現RFM模型。
Step1：數據預處理
這一環節主要是對數據格式進行處理，並添加新的數據列便於後續使用。本文數據使用tableau自帶數據「示例-超市」，數據是客戶在超市購物的清單，每件商品一條記錄。打開tableau能夠在連接到文件中加載數據源文件，或者直接雙擊打開tableau工做簿。
打開tableau加載數據
數據樣例展現(部分字段)
加載數據源後，tableau會自動根據數據分爲維度和度量兩種數據列。先對數據源維度進行分組整理，如圖中綠框中所示，分爲產品，客戶，訂單，訂單地區等，便於後續數據使用時的字段查找。數據源中的【銷售額】字段爲「￥43」這樣的字符串，所以須要對其進行變換拆分，得到【銷售額-拆分1】字段，並拖至度量區。
維度自動分組，拆分【銷售額字段】
Step2：R值建設：最近一次消費（Recency）
首先建立【最近一次的購物時間】，而後經過最近一次消費時間計算【R最近一次購物距離當前的日期差】（也能夠是對固定的日期），經過經驗或者【R最近一次購物距離當前的日期差】的分佈肯定【R參考值】，而後經過對比參考值與【R最近一次購物距離當前的日期差】的大小，標註出【R標記值】。最終效果以下：
最近一次下單時間分佈
經過對【最近一次的購物時間】分佈的觀察可知，大部分客戶在近期在超市有過購物行爲。
操做步驟：
在維度或者度量的空白區域右鍵，點擊建立計算字段。
建立計算字段
建立【客戶最後一次下單時間】，其計算公式爲{FIXED[客戶 Id]:MAX([訂單日期])} （以下圖所示），表示對於固定的客戶，獲取最大的（最近的）的時間，即爲客戶的最近一次下單時間。
建立【客戶最後一次下單時間】字段
建立【R最近一次購物距離當前的日期差】，其計算公式爲DATEDIFF('day',[客戶最後一次下單時間],#2017-01-01#) ，表示對於固定的客戶，計算最後一次下單的時間與2017年1月1日的日期差（因爲數據均爲2017年以前的數據，所以選擇該日期爲標準日期）。
建立【R參考值】，其計算公式爲{FIXED:MEDIAN([R最近一次購物距離當前的日期差])} ，此處用【R最近一次購物距離當前的日期差】的中位數做爲分界點。若是業務有能夠參考的經驗值，也能夠直接把此處的公式替換爲經驗值。
建立【R標記值】，其計算公式爲IF([R最近一次購物距離當前的日期差]>[R參考值]) THEN 0 ELSE 1 END。查看【最近一次的購物時間】分佈，如圖進行配置，X軸爲【客戶最後一次下單時間】，y軸爲【客戶 Id】，選擇快速表計算-總額百分比，能夠獲取每月的末次訪問佔總人羣的百分比數量。
查看最近一次購物時間分佈的設置步驟
Step3：F值建設：消費頻率（Frequency）
首先建立【F客戶累計單數】，而後經過經驗或者【F客戶累計單數】的分佈肯定【F參考值】，而後經過對比參考值與【F客戶累計單數】的大小，標註出【F標記值】。最終效果以下：
客戶累計訂單數分佈
經過對【F客戶累計單數】分佈的觀察可知，客戶對超市的訪問生命週期大約在5-7次。（此處是對歷史累計單量進行討論，也可因爲業務的差別判斷固定時間段內的訂單數據）。
操做步驟：
建立【F客戶累計單數】，其計算公式爲{FIXED[客戶 Id]:COUNTD([訂單 Id]) } ，表示對於固定的客戶，獲取累計單數。
建立【F參考值】，其計算公式爲{FIXED:MEDIAN([F客戶累計單數])} 。
建立【F標記值】，其計算公式爲IF([F客戶累計單數]>[F參考值]) THEN 1 ELSE 0 END。
查看【F客戶累計單數】分佈，先建立【F客戶累計單數（數據桶）】（如圖所示，桶的步長能夠按照須要設定，此處設定爲1），以【F客戶累計單數（數據桶）】爲X軸，【F客戶累計單數】-計數 爲Y軸，可獲取【F客戶累計單數】分佈。
查看客戶累計單數分佈的設置步驟
Step4：M值建設：消費金額（Monetary）
首先建立【M客戶累計金額】，而後經過經驗或者【M客戶累計金額】的分佈肯定【M參考值】，而後經過對比參考值與【M客戶累計單數】的大小，標註出【M標記值】。
操做步驟：
建立【M客戶累計金額】，其計算公式爲{FIXED[客戶名稱]:SUM([銷售額])} ，表示對於固定的客戶，獲取累計單數。建立【M參考值】，其計算公式爲{FIXED:MEDIAN([M客戶累計金額])} 。建立【M標記值】，其計算公式爲IF([M客戶累計金額]>[M參考值]) THEN 1 ELSE 0 END。
Step5：客戶價值分類建設
操做步驟：
建立【 客戶價值分類】，其計算公式爲
IF [R標記值]=1 and[F標記值]=1 and [M標記值]=1 then '重要價值用戶'
ELSEIF [R標記值]=0 and[F標記值]=1 and [M標記值]=1 then '重要喚回用戶'
ELSEIF [R標記值]=1 and[F標記值]=0 and [M標記值]=1 then '重要深耕用戶'
ELSEIF [R標記值]=0 and[F標記值]=0 and [M標記值]=1 then '重要挽回用戶'
ELSEIF [R標記值]=1 and[F標記值]=1 and [M標記值]=0 then '潛力用戶'
ELSEIF [R標記值]=1 and[F標記值]=0 and [M標記值]=0 then '新用戶'
ELSEIF [R標記值]=0 and[F標記值]=1 and [M標記值]=0 then '通常維持用戶'
ELSEIF [R標記值]=0 and[F標記值]=0 and [M標記值]=0 then '流失用戶'
END
查看【客戶價值分類】客戶分佈，用【客戶價值分類】做爲X軸，用【客戶 Id】-計數（不一樣）做爲Y軸，選擇快速表計算-總額百分比。在【標記】部分複製【客戶 Id】-計數（不一樣）到【標籤】（mac端操做爲：鼠標選中同時按command或者control鍵），能夠柱狀圖上顯示出其在人羣中的佔比。
查看不一樣RFM類型客戶佔比的設置步驟
至此，你就能夠利用RFM模型作出一套完成的客戶分類模型。利用該模型，分維度下鑽研究，看客戶在不一樣地區，不一樣客戶類型，不一樣產品品類上客戶的表現。下圖如下鑽地區維度爲例，能夠看出西北地區的重要價值客戶較多，客戶構成比例較好。
按地區下鑽的RFM模型
上述只是基礎的RFM實現思路，可是其中關於分類維度的選取（如何定義R，F，M），劃分閾值選取是做爲一個分析師還可深刻探究。數據模型只是分析的開場白，還有不少業務內容是值得咱們去深究的。
爲方便讀者學習，做者提供了作好的tableau工做簿，能夠在公衆號後臺回覆：rfm 獲取。
◆ ◆ ◆ ◆ ◆
以清淨心看世界；
用歡喜心過生活。
超哥的雜貨鋪，你值得擁有~
長按二維碼關注咱們
推薦閱讀：
本文分享自微信公衆號 - 超哥的雜貨鋪（gh_a624b94bfdab）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。