常见数据分析模型与方法①-RFM

常见数据分析模型与方法①-RFM

RFM模型是数据分析领域的重要工具，广泛应用于用户细分和营销策略制定。通过分析用户的消费行为，RFM模型可以帮助企业识别高价值用户、潜在用户和流失用户，从而制定更精准的营销策略。本文将详细介绍RFM模型的原理和实现步骤，并结合FineBI工具展示具体操作过程。

一、RFM模型简介

RFM模型用于对用户进行分类，并判断每类细分用户的价值。它通过以下三个关键指标来评估用户价值：

• 最近一次消费时间（R）：客户距离最近的一次采购时间的间隔。
• 最近一段时间内消费频次（F）：指客户在限定的期间内所购买的次数。
• 最近一段时间内消费金额（M）：客户的消费能力，通常以客户单次的平均消费金额作为衡量指标。

通过这三个指标，RFM模型可以将用户分为不同类型，如下图所示：

二、FineBI实现效果

三、实现步骤

3.1 数据源处理

导入数据：

数据分组汇总：
① 最近一次消费时间（R）：「DATE」的汇总方式选择「最晚时间」，可得到每个用户最近一次购买的时间；
② 消费次数（F）：由于有一条记录代表该用户购买了一次，所以随意拖入一个「CUSTOMERNAME」求「记录个数」即可；
③ 平均单次消费金额（M）：「MONEY1」的汇总方式选择「平均」，可求到每个用户平均单次消费金额；
④ 「MONEY」的汇总方式选择「求和」，可求到每个用户消费金额。

字段重命名：

求最近一次消费距今的天数，新增一列计算时间差：

3.2 计算所有客户消费指标的平均值 -用户平均消费金额

新增列，计算所有用户消费总金额：

新增列，计算所有用户的消费总次数：

新增列，计算所有用户平均消费金额，用户平均消费金额=所有用户消费总金额/消费总次数：

3.3 计算所有客户消费指标的平均值 -用户平均消费次数

新增列，计算所有用户的平均消费次数：

3.4 计算所有客户消费指标的平均值 -最近一次消费距今平均天数

新增列，求所有用户最近一次消费距今的平均天数：

3.5 用户消费指标评价 -次均消费金额评价

新增公式列「次均消费金额评价」，当用户平均单次消费金额大于用户总体平均值时，标记为 1 ，否则标记为 0 ，公式为IF(平均单次消费金额>用户平均消费金额,1,0)：

3.6 用户消费指标评价 -消费次数评价

新增公式列「消费次数评价」，当用户消费次数大于用户总体平均值时，标记为 1 ，否则标记为 0 ，公式为IF(消费次数>平均消费频次,1,0)：

3.7 用户消费指标评价 -最近一次消费距今天数评价

新增公式列「最近一次消费距今天数评价」，当用户最近消费时间距今天数小于用户总体平均值时，标记为 1 ，否则标记为 0 ，公式为IF(最近一次消费距今天数<最近一次消费距今平均天数,1,0)：

3.8 划分客户类型

3.9 添加 RFM 指标

新增公式列「RFM」，使用 CONCATENATE() 函数将 RFM 向量化值拼接起来，顺序为：最近一次消费距今天数评价、消费次数评价、次均消费金额评价。公式为CONCATENATE(最近一次消费距今天数评价,消费次数评价,次均消费金额评价)：

3.10 对 RFM 指标分组

3.11 图表操作

四、应用场景案例

RFM模型在实际工作中有广泛的应用场景，例如：

1. 用户细分与精准营销：通过RFM模型识别高价值用户和潜在用户，制定个性化的营销策略，提高营销效果。
2. 用户流失预警：通过分析用户的消费行为变化，及时发现可能流失的用户，采取相应的挽留措施。
3. 产品推荐：根据用户的消费偏好和行为特征，推荐相关产品，提高用户满意度和购买转化率。

通过FineBI工具实现RFM模型，可以更直观地展示用户分类结果，帮助企业更好地理解用户行为，优化营销策略，提升用户价值。