理解网络编程和套接字

Angular 路由的一个问题,以及解决方案

  返回  

应用FineBI 进行RFM模型用户分析

2021/7/21 19:11:41 浏览:

最近正在学RFM,想用RFM的用户画像分析,我主要运用了FineBI作为分析工具。

  1. RFM原理

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。其中,RFM是三个指标:R代表Recency(最近一次消费),F代表Frequency(消费频率),M代表消费金额(Monetary)

在RFM中,根据客户不同的得分,大致把客户分为如下几类:

分析RFM:

重要价值客户:他们是那些最新购买,最常购买,并且花费最多的消费者。提供VIP服务和个性化服务,奖励这些客户,他们可以成为新产品的早期采用者,并有助于提升您的品牌。

重点发展客户:是您的近期客户,消费金额高,但平均频率不太高,忠诚度不高。提供会员或忠诚度计划或推荐相关产品以实现向上销售并帮助他们成为您的忠实拥护者和高价值客户。

重点保持客户:是指那些经常购买、花费巨大,但最近没有购买的客户。向他们发送个性化的重新激活活动以重新连接,并提供续订和有用的产品以鼓励再次购买

重点挽留客户:是那些曾经光顾,消费金额大,购买频率低,但最近没有光顾的顾客。设计召回策略,通过相关的促销活动或续订带回他们,并进行调查以找出问题所在,避免将其输给竞争对手。

  1. 案例分析

本次案例数据选取自网络上淘宝购物数据(数据来源于网上,见excel表)。数据部分截图:

而由于数据量非常庞大,所以我决定采用FineBI这个应用软件进行分析。

    1. 数据连接

第一步,将excel表格引入到FineBi数据集中,如下图:

    1.  数据清洗

我们只需要顾客的ID,以及付款日期(RECENCY),实付金额(MONETARY),以及购买数量(FREQUENCY),所以需要先行对数据做数据清洗,那么其他的信息需要经过一定手段清理掉。然后提取关键字:

在数据集中我们可以看见,存在一些邮费、城市、订单状态的无关信息:

那么在引入时,就不选择这类数据的字段,如下所示:

而通过上面的数据表可以看出,同一个客户如果下单两次,就会产生两个数据,而RFM模型中要求的数据是“最近一次下单时间”、“最近一段时间内的下单次数”以及“最近一段时间内的购买金额”,如果一个用户在一天内购买了4次,订单表对应记录着4行,而在实际的业务场景中,一个用户在一天内的多次消费行为,应该从整体上看作一次。

解决方法为,新增一列命名为“次数”,取值为“1”,同一个客户出现了多少次“1”,就是重复下单了几次。

然后,选择左边菜单栏的“分组汇总”,以“买家名称”为主要汇总项,“次数项”和“购买数量‘项选择加和汇总。同时也将“付款日期”,设置为“最晚时间“。步骤如图:

数据清洗结果(局部)如图:

但是,值得注意的是,因为还要计算客户最近一次购买有多远,而数据表中仅仅是下单时间,所以需要用函数计算一下下单时间与今天的天数, 故又新增一列名为“时间“,选择date公式,计算时间差,取单位为“天”,操作如下图:

经过操作后,得到结果:

(由于数据来源于互联网,以当前时间和下单时间相比较为久远)

以上,为数据清洗步骤。

    1. 数据划分

下面,就要将数据按照 R、F、M三个维度来进行划分。这个时候,就可以新增一列,对各个顾客从三个方面来进行量化。首先,先计算客户消费金额、频率,的均值作为量化标准。

      1. 求均值

(求均值步骤如上,重复步骤不再赘述)

得到结果如下

 

 

由上图可知,平均金额为140.3元,最近一次消费时间平均值为818.76,消费频次平均值为1.11次。

      1. 客户特征向量化

根据关键指标是否大于客户总体平均值水平,将客户特征进行向量化。其中在IF(xxx>客户总体xxx平均值,1,0)中,小于总体平均的设为 0,大于总体平均的设为 1 ,使得 1 都是保持正向特征,0 保持负向特征。

向量化步骤如下:(重复步骤不赘述)

得到如下结果:(局部)

      1. 客户特征分析

将每个客户的特征向量划分之后,可以根据如下标准来划分:

故,需要在自助数据集中添加RFM指标。

点击确定后,得到如下结果:

随后,根据上图指标,对RFM进行分组:

得到最终划分结果如图:

  1. 结果分析

根据上述结果,整理合成可视化表格,如下图:

(具体可视化图例在PDF以及Excel表中均有),其中也有完整RFM结果分析。

结果展示:

结果分析客户流失情况严峻,高消费唤回客户、流失客户占比超过50%。再结合金额进行分析:高消费唤回客户人数占比28.87%,金额占比上升到了38.11%,这部分客户是消费的中流砥柱。 频次深耕客户金额占比紧随其后,这部分客户的特征是近期有消费、消费频次低、消费金额高,和高消费唤回客户仅有购买时间上的不同,如何避免这部分客户向高消费唤回客户的流转是我们要思考的主要命题。流失客户人数占比26.28%,金额占比仅12.66%。

联系我们

如果您对我们的服务有兴趣,请及时和我们联系!

服务热线:18288888888
座机:18288888888
传真:
邮箱:888888@qq.com
地址:郑州市文化路红专路93号