前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【商业模型】PowerBI RFM 3.X 发布

【商业模型】PowerBI RFM 3.X 发布

作者头像
BI佐罗
发布2020-02-17 14:21:43
1.9K1
发布2020-02-17 14:21:43
举报
文章被收录于专栏:PowerBI战友联盟

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:

  • 在RFM统计图与RFM分析数据之间切换。
  • 用户可以通过条子图,里面选择自己关注的用户群体。
  • 用户也可以观察用户群体在三点图的相对位置来得到一些信息,稍后展开。
  • 用户选择群体后,可以点击查看到明细。
  • 用户可以从明细钻取到所关注的客户。
  • 并发起激活动作。

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。

什么是 RFM

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:

  • 最近一次消费(Recency)
  • 消费频率(Frequency)
  • 消费金额(Monetary)

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。

RFM 分群

在实际操作中,可以定义:

  • R: 一段时间内,客户最近一次交易日期,与时间段终点越近越好
  • F: 一段时间内,客户交易的次数,次数越多越好
  • M: 一段时间内,客户的交易度量(如: 金额,利润,利润率),越大越好

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:

  • 对于某个客户,如果其R值高于群体平均R值,则该客户属于R↑,反之属于R↓。
  • 对于某个客户,如果其F值高于群体平均F值,则该客户属于F↑,反之属于F↓。
  • 对于某个客户,如果其M值高于群体平均M值,则该客户属于M↑,反之属于M↓。

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:

  • R↑F↑M↑: 重要价值客户
  • R↑F↑M↓: 一般价值客户
  • R↑F↓M↑: 重要发展客户
  • R↑F↓M↓: 一般发展客户
  • R↓F↑M↑: 重要保持客户
  • R↓F↑M↓: 一般保持客户
  • R↓F↓M↑: 重要挽留客户
  • R↓F↓M↓: 一般挽留客户

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。

PowerBI RFM 1.X

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。

PowerBI RFM 2.X

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:

  • 取RFM中任意两个指标,分别作为X,Y;
  • 取RFM中剩余的指标,作为大小;
  • 再用元素本身的RFM分类绘制颜色。

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。

PowerBI DAX RFM 3.X

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:

  • 直接反映业务意义
  • 可以从宏观观察宏观规律
  • 可以从宏观钻取到微观
  • 可以从微观钻取到明细
  • 可以从明细发起行动
  • 同时兼顾良好的性能
  • 同时兼顾零号的动态性

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。

业务流程

对客户的管理对企业至关重要,在 RFM 模型中,可以这样操作:

宏观洞察 - 3D 降维打击

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:

  • RFM 的 8 个分类作为宏观群体
  • X轴 - R - 最近购买 KPI 的打分(0-100)
  • Y轴 - F - 购买频率 KPI 的打分(0-100)
  • 点的大小 - M - 购买的数额 KPI 的打分(0-100)

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:

  • 两个同方向的群体(如: R↑F↑);
  • 它们的纵向距离反应了频率的差异;
  • 它们的横向距离反应了最近的差异;
  • 点的差异反应了销售额或 KPI 大小的差异。

这样就形成了两种有意义的观察模式:

  • 当 4 个部分来看,每部分有一个“双星”系统构成;
  • 当 8 个部分来看。

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。

图与表的切换 - 性能增强

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:

  • 实现了先看宏观再看数据的常规分析套路
  • 节省了 PowerBI 报告篇幅,提高了信息密度
  • 减少了复杂对象的同时加载,提升了性能。

保持交互筛选

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。

钻取到明细

瞄准锁定一个类别,接着就要下钻了,如下:

钻通到原子数据

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。

从简单到复杂再到简单

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:

  • RFM 1.X - 实现 RFM,以点和动态性显示所有客户。
  • RFM 2.X - 实现 RFM,将动态性做到极致。
  • RFM 3.X - 实现 业务驱动,层次分明。

度量值体系

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。

总结

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。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-01-20,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 PowerBI战友联盟 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 什么是 RFM
  • RFM 分群
  • PowerBI RFM 1.X
  • PowerBI RFM 2.X
  • PowerBI DAX RFM 3.X
  • 业务流程
  • 宏观洞察 - 3D 降维打击
  • 图与表的切换 - 性能增强
  • 保持交互筛选
  • 钻取到明细
  • 钻通到原子数据
  • 从简单到复杂再到简单
  • 度量值体系
  • 总结
相关产品与服务
图像处理
图像处理基于腾讯云深度学习等人工智能技术,提供综合性的图像优化处理服务,包括图像质量评估、图像清晰度增强、图像智能裁剪等。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档