我们历史上做过两个 RFM 分析的模型,没有任何问题,但那时的制作更多地在研究 DAX 实现的极致,而现在则完全不同,我们将回归简单,用最简单的方式来实现如何支持业务的效果。最典型的案例莫过于我们发布的【ABC动态分析精悍版】,只要两个度量值就完成动态ABC分析。在很多教程中,动态 ABC 分析是最后的压轴案例,但在这里ABC分析是最简单的模型。我们会陆续再释放几个经过极度简化的非常棒的模型。
今天要说的RFM确实仍然是相对复杂的一个。这有着一些技术原因,如果您可以学习完我们的所有模型,你会慢慢发现其中的规律并逐渐理解为什么有的模型会相对复杂,现在谈这个有点早。我们直接进入主题吧。
先来看看什么是一条龙:
请仔细观察上图,非常凶残。用户可以:
这样,整个场景就形成了闭环。
为了让本文具有一定的完整性,我们会整个再说明下 RFM 的概念。
根据美国数据库营销研究所Arthur Hughes的研究,客户数据库中有三个神奇的要素,这三个要素构成了数据分析最好的指标:
因此,称该研究模型为:RFM。
最近一次消费:最近一次消费意指上一次购买的时候,顾客上一次是几时来店里、上一次根据哪本邮购目录购买东西、什么时候买的车,或在你的超市买早餐最近的一次是什么时候。
消费频率:消费频率是顾客在限定的期间内所购买的次数。我们可以说最常购买的顾客,也是满意度最高的顾客。如果相信品牌及商店忠诚度的话,最常购买的消费者,忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率,由别人的手中赚取营业额。
消费金额:消费金额是所有数据库报告的支柱,也可以验证“帕雷托法则”(Pareto’s Law)——公司80%的收入来自20%的顾客。它显示出排名前10%的顾客所花费的金额比下一个等级者多出至少2倍,占公司所有营业额的40%以上。如看累计百分比的那一栏,我们会发现有40%的顾客贡献公司总营业额的80%;而有60%的客户占营业额的90%以上。
因此,最近一次消费、消费频率、消费金额是测算消费者价值最重要也是最容易的方法,这充分的表现了这三个指标对营销活动的指导意义。而其中,最近一次消费是最有力的预测指标。
在实际操作中,可以定义:
首先,选定客户群体的每个客户,计算上述三个指标的值。 其次,从上述结果可以计算选定客户群体的三个指标的(算术)平均值。
分群方法:
将上述客户装入三维空间,则可以形成如下的分群结构:
并作出如下的业务定义:
这里的业务语义非常清晰,可以直接指导业务对不同群体的客户产生影响的营销改善策略。
在 2018.4 我们发布了第一个基于 PowerBI 的 RFM 模型。
这里面,我们更多地把每个客户当成了一个点,而为了追求【动态】和【全部可视化】,由于 RFM 的复杂性本身,作为使用者很难直观获益。
虽然我们将各种参数尽量参数化,让模型有很好的扩展性,但问题这对使用者的要求是高的,而且由于同时计算大量客户构成的点,会产生明显的性能问题。
当然,即使有这么多不足,对于 RFM 和 学习 DAX 本身来说,这个案例都是非常重要的。
由于 PowerBI 的升级,以及我们对 DAX 的理解的提升,我们又改良得到了 RFM 的 2.X 版,如下:
在这一版,我们力求将 RFM 的动态性做到极致,可以看出,所有的计算全部保持动态,并且首次提出了将 3D 拍成 2D 的思路。
在PowerBI中是没有这种3D空间型可视化的,即使有,也很难标记各种元素,因此,我们做了一个有意义的转换:
这样,就可以绘制散点图,如下:
或:
或:
从视觉上看,似乎挺酷炫的,
但从中发现规律还是挺难的,并且有:
将所有的人展示,会大大影响计算性能。
因此,我们亟需有一种更加优化的模式。
于是我们迎来了 RFM 第三代优化。
这代优化是目前为止自己最为满意的一次。它本着这样的设计原则:
这对 DAX 的写法提出了非常高的要求。
我们依次来展开这些话题来深入研究 RFM 的实操,这也许是你看到的迄今为止最有意思的 RFM。
对客户的管理对企业至关重要,在 RFM 模型中,可以这样操作:
我们很难对 3D 图形做出有效反应,所以,我们需要将 3D 图形转化为 2D,我们用下面的方式进行:
于是有:
由于每个点表示一个客户群体,那么 X 和 Y 轴的 R 和 F 就可以用平均值来表示。
这里,我们没有再去让用户做出选择,我们直接内定了显示方式,这里反应了这样的规律:
这样就形成了两种有意义的观察模式:
这样,就实现了从 3D 到 2D 的降维,同时得到了良好的宏观可观察特性。
可以看到:
用鼠标点击【图】可以切换成【表】,反之点击【表】可以切换成图。
由于图表并不同时显示,带来了以下好处:
可以看到:
当点击不同客户分类时,宏观图表,就像一个瞄准镜一样,锁定了该类别。
瞄准锁定一个类别,接着就要下钻了,如下:
在对一个客户实施行动前,可以最后看到他的明细,然后再做最后定夺。如下:
这里的【激活客户】可以通过 URL 的方式产生具体的响应。
这个案例再次诠释了从简单到复杂再回归简单的过程,这里有着这样的心路历程变化:
要实现这样的 RFM,需要很高的度量值思维和实现技巧,我们得到最终结果是:
这里的 X 可能是 R,F,M 任何一者,并形成摆列:
以及展开:
里面的写法相当精妙,就不再赘述了。
RFM 是分析客户的最重要模型之一。伴随着微软更新 PowerBI 的节奏,我们也调整了模型设计,使得 RFM 的实现更加简单高效。
本文内容【源文件+视频讲解】从属于:年度订阅会员,已发布请享用。