Предположим, вы занимаетесь маркетингом в компании по управлению капиталом. Компания недавно выпустила серию новых продуктов, охватывающих высокий, средний и низкий уровни. У вас в руках список клиентов. Как бы вы прорекламировали его им?

Отправить единую акцию всем клиентам?

Это экономит время и усилия, но вполне возможно, что эффект не очень хороший...

Общаться с каждым клиентом, понимать его потребности, а затем рекомендовать их?

Он может давать точные рекомендации, но когда вы смотрите на огромное количество информации о клиентах, вы все еще качаете головой...

На этом этапе вы молча думаете, есть ли артефакт, который может маркировать клиентов на основе прошлых записей, чтобы вы могли знать, какие клиенты достойны продвижения по службе, и вы также можете рекомендовать разные продукты для разных типов клиентов, чтобы максимизировать преимущества. . . .

Итак, поздравляем, сегодня мы собираемся представить "Модель анализа клиентов RFM«Вот тот артефакт, который вы ищете!

Что такое RFM-модель?

Модель RFM является важным инструментом измерения потребительской ценности.В модели RFM мы разделяем потребительскую ценность по трем параметрам: самое последнее потребление (R), частота потребления (F), количество потребления (M) и затем наклеивайте разные ярлыки на клиентов с разными ценностями, а затем проводите персонализированное обслуживание клиентов, рационально распределяйте ограниченные ресурсы на клиентов с разными ценностями и максимизируйте выгоду!

• R (Недавность): как давно покупатель в последний раз покупал
• F (частота): сколько раз клиенты совершали покупки за последний период.
• M (денежный): сумма, купленная клиентом за последний период.

Кроме того, три индикатора в модели RFM могут быть заменены, поэтому, пока сцена оценивается и классифицируется по трем измерениям, модель RFM может быть компетентной. Таким образом, модель RFM можно применять практически к любому месторождению.Для аналитика данных/бизнесмена изучение RFM-анализа является основным и необходимым уроком.

Принцип RFM-модели прост, и Excel тоже можно построить, но для этого нужно написать много функций и кодов, процесс сложный, и он очень недружественный для технических новичков... Так много аналитиков данных начали использовать инструменты визуализации BI для построения RFM-моделей.

Вот инструмент BI, который можно порекомендовать вам:FineBI, FineBI — это мощная платформа для анализа данных с самообслуживанием, которая практически не требует технической основы. Xiaobai может быстро приступить к работе и легко создавать различные красивые и практичные модели анализа данных, а персональную версию можно попробовать бесплатно на постоянной основе.

Следующее, чтобы использовать FineBI, всего 10 минут, научит вас быстро строить модель анализа RFM!

(Способ загрузки есть в конце статьи)

1. Общая идея

Анализ RFM требует сложной обработки данных, но мы используем функцию набора данных FineBI для самообслуживания, которая может завершить обработку данных простым перетаскиванием. Идея реализации показана на следующем рисунке:

• Создайте набор данных для самообслуживания, выбрав поля, необходимые для RFM-анализа.
• Данные обрабатываются для получения 3-х ключевых показателей и их средних значений.
• Три показателя векторизованы путем сравнения со средним значением.
• Классифицировать клиентов на основе векторов признаков.

Давайте сделаем это шаг за шагом.

2. Практическая демонстрация

В этой статье в качестве примера используются подробные данные RFM (нажмите, чтобы загрузить).

1. Создайте набор данных самообслуживания

• Войдите в интерфейс «Подготовка данных», выберите бизнес-пакет «Данные стиля», нажмите «Добавить таблицу» и выберите «Добавить набор данных самообслуживания», как показано на следующем рисунке:

Войдите в интерфейс редактирования набора данных самообслуживания, выберите «Подробные данные RFM» в разделе «Список данных > Данные стиля», добавьте все поля под таблицу и назовите набор данных самообслуживания «Анализ RFM», как показано на следующем рисунке. :

2. Рассчитайте ключевые показатели потребления каждого клиента

Рассчитайте общую сумму потребления среднего клиента: нажмите «+» и выберите «Добавить столбец», как показано на следующем рисунке:

Назовите новый столбец «Среднее значение общего объема потребления клиента», выберите «Все значения/в группе» и выполните следующие настройки. После завершения нажмите «ОК», чтобы получить общий средний показатель «Средний общий объем потребления клиента». Как показано ниже:

3. Рассчитайте общий индекс потребления клиентов

Рассчитайте среднюю общую частоту потребления клиентом: нажмите «+» и выберите «Добавить столбец», как показано на следующем рисунке:

Установите новый столбец как «Средняя частота общего потребления клиентов», выберите «Все значения / в группе» и нажмите «ОК», чтобы получить общий средний показатель «Средняя общая частота потребления клиентов». Настройки следующие:

Рассчитайте среднее время последней дистанции потребления всего клиента: нажмите «+» и выберите «Добавить столбец», как показано на следующем рисунке:

Установите новое имя столбца как «Среднее время последнего потребления клиента», выберите «Все значения / группа» для установки, нажмите «ОК», чтобы получить общий средний показатель «Общее среднее время последнего потребления клиента». Настройки следующие:

4. Векторизация клиентских характеристик

В зависимости от того, превышают ли ключевые показатели общий средний уровень клиентов, осуществляется векторизация характеристик клиентов.

где в формулеЕСЛИ(xxx>количество клиентов xxx в среднем,1,0)Среди них значение, меньшее, чем общее среднее значение, устанавливается равным 0, а значение, превышающее общее среднее значение, устанавливается равным 1, так что 1 сохраняет положительные черты, а 0 сохраняет отрицательные черты.

Векторизация количества потребления: Нажмите «+» и выберите «Добавить столбец», как показано на следующем рисунке:

Назовите новый столбец «Векторизация суммы потребления», введите формулу ЕСЛИ (ДЕНЬГИ> Общая средняя сумма потребления клиентов, 1,0) и нажмите «ОК», как показано на следующем рисунке:

5. Анализ характеристик клиентов

Щелкните, чтобы добавить новый столбец, и используйте функцию CONCATENATE() для объединения векторизованных значений RFM, как показано на следующем рисунке:

На данный момент мы завершили простую модель анализа RFM, мы успешно пометили каждого клиента, а также можем визуализировать данные, связанные с классификацией клиентов, через панель инструментов.

Обмен инструментами анализа

Наконец, инструменты и наборы данных готовы для вас,Просто верни "RFM" и все получится!