【商业模型】PowerBI RFM 3.X 发布

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。