【数据分析】商品新零售行业——客户价值分析驾驶舱(附详细操作) | 留言送书

磐创AI

发布于 2020-04-29 11:29:39

1.5K0

发布于 2020-04-29 11:29:39

文章被收录于专栏：磐创AI技术团队的专栏磐创AI技术团队的专栏

磐创AI分享

作者 | Huang Supreme

编辑 | 磐小仙

输

作者介绍：

大家可以叫我黄同学(博客名:Huang Supreme)，一个应用统计硕士，爱好写一些技术博客，志在用通俗易懂的写作风格，帮助大家学到知识，学好知识!

【导读】本文通过对客户订单的数据进行分析，了解各大区销售经营情况、不同偏好，并通过RFM模型来进行客户价值分类，实现定向营销。

通过本文对项目的详细讲解，你可以实现以下效果：

1、什么是“新零售”？

2016年，马云最先提出这个概念，主要目的是想把线上和线下相结合，实现以消费者为中心的会员、支付、库存、服务等方面数据的全面打通。

2、新零售的流程

3、项目背景

得力集团是做大办公产业链的，主要包硬件、软件和服务多个领域，这里面还包含很多种商品，像办公用品、桌面文具等很多产品。全国共有20000多家零售店，该公司线下做的很不错，但是线上做的不好，线上的收入也就10%，主要是和京东、淘宝等之间的合作，公司希望在线上能够得到发展。

4、项目目的

通过数据分析，优化客户资源，建立客户信息资源管理及运营模式，提升线上营收占比，实现传统的零售向新零售转型的目标，本次项目主要针对客户价值进行分析。

5、项目目标

通过2015-2018的客户订单分析，了解各大区销售经营情况、不同偏好，并通过RFM模型来进行客户价值分类，实现定向营销。

6、RFM模型的介绍

1）为什么要进行客户价值分析？

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，在众多的客户关系管理(CRM)的分析模式中，使用最为广泛，最典型。

2）什么是RFM模型？

3）RFM的详细介绍说明

近度R：R代表客户最近的活跃时间距离数据采集点的时间距离，R越大，表示客户越久未发生交易。R越小：表示客户越近有交易发生。R越大则客户越可能会“沉睡”，流失的可能性越大。在这部分客户中，可能有些优质客户，值得公司通过一定的营销手段进行激活。

频度F：F代表客户过去某段时间内的活跃频率。F越大，则表示客户同本公司的交易越频繁，不仅仅给公司带来人气，也带来稳定的现金流，是非常忠诚的客户；F越小，则表示客户不够活跃，且可能是竞争对手的常客。针对F较小、且消费额较大的客户(这个好比现实中，某个人上饭店吃饭，好久不来一次，来一次消费好高)，需要推出一定的竞争策略，将这批客户从竞争对手中争取过来。

额度M：表示客户每次消费金额的多少，可以用最近一次消费金额，也可以用过去的平均消费金额，根据分析的目的不同，可以有不同的标识方法。一般来讲，单次交易金额较大的客户，支付能力强，价格敏感度低，是较为优质的客户，而每次交易金额很小的客户，可能在支付能力和支付意愿上较低。当然，也不是绝对的。

4）RFM模型的应用(进行量化的一个过程)

5）RFM模型应用的举例说明

① 给R、F、M打分(分箱操作)

注意：打分级数，从上述的介绍中可以看到，一般都是5分级，但这里我们以一个3分级的例子，进行简单的说明。

1 R——7天（3），8~30天(2)，31天以上(1)

2 F——1次(1)，2~3次(2)，3次以上(3)

3 M——100(1)，101~1000(2)，1000(3)以上

从上图中可以看出：R如果在距离当前时间间隔越短，表明近期有消费，打分越高。F表示购买频次，当然是购买频次越大，打分越高。M表示消费额，这个肯定也是消费额越大，打分越高。

② 用户分类

从上图可以看出，我们进行分箱操作后，接下来就是用户分类了，我们需要求出各自RFM打分后的参考值(参考值怎么选择，需要讨论)，然后如果RFM打分大于各自的平均值，就标记为⬆，否则就是⬇。

接下来，根据每个用户RFM的⬆和⬇情况，判断各自的客户级别。

③ 分类运营

7、RFM实战的软件操作

1）数据表的介绍

数据已经提供了，该数据是经过脱敏后得到的数据，共包含了8987条记录，该数据的字段很多，但是对于RFM建模，我们只需要“客户名称”、“销售额”、“日期”，就可以完成RFM模型的构建。下面我门只截图展示表中的部分数据。

2）计算RFM的值(MySQL)

其实RFM的值，我们这里利用一个SQL语句就可以解决，但是我们为了更细致的讲解RFM值的计算过程，这里分开进行一一叙述。

① R值的计算

R值(近度) = （当前时间-最后一次消费时间）

当前时间：我们指定是“2019-04-01”，因为这是分析以前的数据，所以当前时间是那个时候的某个时间。

1 select
2          客户名称,
3          max(日期) 最后一次消费时间,
4          datediff("2019-04-01",max(日期)) R值
5 from dingdan
6 group by 客户名称;

结果如下：

② F值的计算

F值(频度) = （客户购买的频次）

这里的购买频次以天为单位，即使一天买了多单，这一天的频次就是1。

1 select
2        客户名称,
3        count(distinct(日期)) F值 # 注意这里的去重操作
4 from dingdan
5 group by 客户名称;

结果如下：

③ M值的计算

M值(额度) = （一段时间的总额或平均额）

1 select
2       客户名称,
3       count(distinct(日期)) F值,
4       sum(销售额) 总额,
5       round(sum(销售额)/count(distinct(日期)),2) M值
6 from dingdan
7 group by 客户名称;

结果如下：

④ 其实RFM值一个SQL语句就可以解决

1 select
2        客户名称,
3       datediff("2019-04-01",max(日期)) R值,
4       count(distinct(日期)) F值,
5       sum(销售额) 总额,
6       round(sum(销售额)/count(distinct(日期)),2) M值
7 from dingdan
8 group by 客户名称;

结果如下：

3）Tableau中进行RFM值的计算

① 连接MySQL数据库

② 新建“自定义SQL”，获取我们用于分析的数据源

③ 在工作表中，完成如下一系列操作

④ 创建“计算字段”，计算R_SCORE

注意：我们这里采用5级打分规则(业内一般都是这样打分的)，但是分段标准是根据实际业务为驱动，进行讨论后得出。

同理，我们可以计算出“F_SCORE”和“M_SCORE”，操作如上，这里就不详细进行说明。

F_SCORE的计算如下：

M_SCORE的计算如下：

4）用户分类

① 创建“计算字段”，计算RFM的平均值

R_SCORE的平均值：

F_SCORE的平均值：

M_SCORE的平均值：

② 创建“计算字段”，进行RFM值高低的判断

分别将“R_SCORE”、“F_SCORE”、“M_SCORE”和“R平均值”、“F平均值”、“M平均值”进行一一比较，大于平均值就是1，否则为0。

R值高低的判断

F值高低的判断

M值高低的判断

③ 创建“计算字段”，进行客户价值判断(最麻烦)

1    IIF([R值高低的判断]=1and[F值高低的判断]=1and[M值高低的判断]=1,'重要价值客户',
2    IIF([R值高低的判断]=0and[F值高低的判断]=1and[M值高低的判断]=1,'重要唤回客户',
3    IIF([R值高低的判断]=1and[F值高低的判断]=0and[M值高低的判断]=1,'重要深耕客户',
4    IIF([R值高低的判断]=0and[F值高低的判断]=0and[M值高低的判断]=1,'重要挽留客户',
5    IIF([R值高低的判断]=1and[F值高低的判断]=1and[M值高低的判断]=0,'潜力客户',
6    IIF([R值高低的判断]=1and[F值高低的判断]=0and[M值高低的判断]=0,'新客户',
7    IIF([R值高低的判断]=0and[F值高低的判断]=1and[M值高低的判断]=0,'一般维持客户',
8    IIF([R值高低的判断]=0and[F值高低的判断]=0and[M值高低的判断]=0,'流失客户','错误检测'))))))

5）可视化展示

① 用户清单——文本表的展示