如果嫌麻烦,也可以直接跳到 RFM 4.0 的说明。如果说,RFM 4.0 的本文实现是自评 80 分,那么此前的 RFM 3.0 与之相比,大概只能是:30 分。RFM 4.0 的进步是全方位的,它不仅体现 PowerBI,DAX 的能力,体现业务逻辑,还体现了综合全部要素抽象简单统一的能力。
我们历史上做过 2 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。
对于 RFM 的实现,在概念和动态实现以及从宏观到微观的筛选和转化为行动,在 RFM 1.x 到 3.x 的实现过程中,各有体现。对于学习和使用 RFM 来说,是足够的。当然,优化是永不止境的。
现在,就和大家一起来优化第三代 RFM 到第四代。
优化,一定是针对问题来进行的,那么,我们来看看在此前的 RFM 在 PowerBI DAX 的实现中,都有什么问题,我们来罗列一下:
1、太装逼了,有没有?
罗叔太装逼了,就是一个 RFM 搞出来这么多花样,看上去很牛X,实际用了就发现,的确挺牛X的。不过,没有一定 DAX 基础的伙伴,似乎抄都抄不对,为了搭建一样的 RFM 计算结构要学习很多,所以,有没有办法改进呢,更加简单呢?答案是:可以的。
2、RFM 在实际应用中分为 8 类,有点晕,有没有?
对于真正的好策略一定是简单的,而把一个群体分成 8 类的行为,还是太复杂,让决策者同时理解 8 种划分以及行动,过于复杂。那么是否可以保持 RFM 的所有划分而又简化呢?这似乎是一个矛盾的需求,但答案是:可以的。
3、RFM 的通用计算一般用平均值,实际存在问题。
平均值,将导致即使所有的客户都是很优质的,在平均值下,仍然会出现好和不好的划分,不合理,那么是否可以改进呢?答案是:可以的。
4、RFM 被划分后再运营得到了新的结果,是否可以对比不同时间的 RFM 优质人群占比来看到运营效果呢?
在传统的 RFM 中,划分是在某一个时刻进行,根本不知道过去,也不顾及将来,因此是相对静止的。我们可以让它全部动态起来吗?答案是:可以的。
5、RFM 的计算逻辑相对复杂,在大量数据面前太慢了,可以做极度优化吗?
做极度优化当然要结合精妙的 DAX 设计,而在完全精通了 DAX 之后,也可以有显著的提升,答案是:可以的。
优化后的性能之强,对于上百万的客户在千万级数据面前计算也不是难事。
同时满足:
这就是强大的 RFM 4.0 模型。
如果您已经配有 ZebraBI,则可以实现更专业的呈现,如下:
这相当震撼。
RFM 4.0 是从简单到复杂,从懂得到透彻,再回归简单的经典案例。
首先,它仅仅采用很少的表和度量值,如下:
几乎适用于任何带有客户,以及销售的业务形态,通用度极高,移植性极强。核心度量值仅有 4 个,前所未有的少。
更重要的是 RFM 4.0 解决了一个核心问题,那就是:RFM 分析的 KPI 到底是什么。
很多人只是复制粘贴了 RFM 的定义,又或者是学习了 RFM 的某种实现,然而,RFM 的本质是对客户群体分成了 8 类而已。那么,这里面的 KPI 是什么呢?并没有被回答出来。
在 RFM 4.0 中,一种精妙的设计柔和了所有需求而又恰好推出一个绝佳的 KPI,这令人非常兴奋。
我们先来观察一个图,如下,你看到了什么?
如果眼神正常,我们可以看到两件事:
这就是 RFM 的 KPI,叫做:良性客户成分占比。
对于任何一项业务来说,如果满足:
那么,就说这项业务的设计与预期人群达到了有效的匹配。
良性客户成分占比的趋势,反应了一个组织对某种业务的运营能力,如果这个能力强,它的表现一定是提升良性客户成本占比;反之,良性客户就会流失,占比就会变低。
按照刚刚的解释说明,我们对 RFM KPI 的本质思考在于:在一定时间范围内。
请注意,既然是在一段时间范围内,那么,就不需要 R 了。(请范围体会这个优化,非常合理和巧妙)
按照刚刚的解释说明,我们对 RFM KPI 的本质思考在于:在一定时间范围内。
为了产生趋势化,我们可以使用滚动周期的方法,例如:在分析的任何一个立足月,实际分析的时间区间是最近12个月。那么,RFM 的 R 就是 12 个月,而对于每个月份,都滚动分析前 12 个月,那么就实现了:
由于刚刚的技巧消减了 R,那么只需要考虑 F 和 M 两个要素,这两个要素反应的是:购买次数和购买金额。如果这两者同时达标,就说某个客户是良性的,因为他可以为企业贡献价值,且重复贡献体现了认可度。
如果我们承认客户决定了业务的成败,那么良性客户占比的趋势就是企业去运营的重要方向。
根据上述描述,我们可以快速计算出良性客户占比的趋势。
例如:
表示实际 AC 的黑色实线整体超过了一年前表示 PY 的灰色实线,而每个月都是滚动12个月的话,那么可以看出,这个企业的运营效果是持续走强的。其中表示目标 PL 的虚线为:27% 作为良性客户比例的参考线,那么在 2019 年 4 月后开始稳定地超过这个目标了,实现了良性客户占比达到 27% 以上。
RFM 4.0 的全部精妙配合罗列如下:
更让人拍案叫绝的是,钻取到明细,如下:
对于明细的显示,我们还是只用上述四个度量值就知道谁是什么身份,也就是说,我们为了标记某人在某月是什么身份的客户,根本不需要另写计算逻辑,一且已经就绪。接着只要导出数据,打电话即可。
RFM 4.0 的分析路数如下:
第一步,导入客户数据,订单数据即可。
第二步,刷新。
第三步,没了。
开始观察,先观察结果,如下:
从这张图,我们可以看到宏观 RFM KPI 的表现,如果超过一个既定值,如:25%,那么就认为是达标,以及它的趋势如果是增长的,就视为好。
可以进一步看到从不同行业或者不同经理等维度看到不同的结果,这就知道该重点关注哪里。
需要揭示细节就可以钻取到明细,如下:
好了,一目了然,接下来,打电话发短信都可以去有的放矢的激活客户。
感谢 Terry 提供深度业务帮助,共同优化出了这么不讲武德的模型。RFM 4.0 太强大了,只需要两张表:订单和客户信息,就可以基于海量数据立刻计算。是客户运营转化,学习 PowerBI DAX 的必备模板。有了此 RFM,直接用于实际,甚至连 PowerBI 都不用会,直接套数据。