概述
在众多的客户中找到重点客户以及对客户进行动态分类，而后分而治之。
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。
所需要的表
做RFM计算，最小程度只需要依赖于一个表即可：订单表。实际中，可以是一种分表的结构，以PowerBI结构为例，如下：
这是一个非常简单的结构：一个客户可能产生多个订单，每个订单有多条订单明细。
PowerBI RFM 模型展示
在PowerBI的实现中，可以通过动态的参数化设置，将RFM模型进一步增强以适应更灵活的业务需要：
- 通过滑杆设定考察RFM的时间范围
- 通过滑杆设定RFM的三个分指标的相对权重
- 通过滑杆设定默认显示的RFM TOP X具体客户
时间段
默认情况下，RFM中对R的计算是相对于当前时间的，但对历史进行计算的时候就需要选定一个时间段了。
RFM权重
RFM不同分指标的R、F、M的权重可能不同，改变RFM的权重可以完全影响客户的分类结果：
对于 R优先 的情况：
对于 M优先 的情况：
可以看出，分类的结果形态发生了质变。这也是在现实的业务中需要这种动态性的支撑。
参数设置
可以通过PowerBI参数法来实现动态的参数话设置。并使用全局同步切片器来完成参数的同步效果。
DAX
RFM可以通过DAX进行计算，本案例全部使用度量值完成（没有计算列），使得计算保持动态性。对RFM三个指标的计算在DAX中非常简单，如下：
RFM核心计算使用的DAX非常简单，其他动态扩展需要额外的一些DAX计算式来辅助完成。
思考：从上述DAX中可以卡出本案例并非完美，在实际业务中，可能需要按某种产品类别、品牌、门店来计算RFM，但需要DAX表达式兼顾这些，读者可自行思考如果基于上述的DAX来优化。
总结
动态效果展示：
该案例进一步证明PowerBI DAX数据建模不同于一般自助BI工具，它使业务人员可以借助PowerBI强大的数据建模能力使用DAX建立RFM模型，并通过PowerBI可视化及动态参数赋予RFM模型动态性。
如需案例文件，欢迎关注公众号，并找到改文章转发留言私信获取。
网友评论