Power BI RFM 分析介绍及实例

01 RFM介绍

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，RFM模型是被广泛提到的。也可以理解为一种将用户分层、进而针对不同用户群体进行精细化运营的方法。

RFM的三个字母，分别代表了一个维度：

R（Recency）：最近一次消费时间。反映了用户最近消费的热度，用以衡量用户是否流失。理论上，最近一次消费时间越长，流失概率越高。

F（Frequency）：用户的消费频率。反映了用户对于产品、品牌的忠诚程度。理论上，一定时间内的购买频率越高，用户忠诚度越高。

M（Monetary）：消费金额。反映了用户的购买力。

02 实例操作

拿到原始销售表中的各类数据，通过销售日期、会员卡号、销售金额这几个维度进行分析可以得到R、F、M对应的数据。

新建RFM分析表将不重复的会员卡号提取出来，使用MAXX、COUNTX函数、SUMX函数嵌套筛选函数FILTER通过新建列得到最后一次消费日期(R)、消费频率(F)、消费金额(M)。

函数实现步骤如下：

(1)RFM分析 = VALUES('销售表'[会员卡号])

(2)最后一次消费日期(R) = MAXX(FILTER('销售表',EARLIER('RFM分析'[会员卡号])='销售表'[会员卡号]),'销售表'[销售日期])

(3)消费频率(F) =COUNTX(FILTER('销售表',EARLIER('RFM分析'[会员卡号])='销售表'[会员卡号]),'销售表'[会员卡号])

(4)消费金额(M) = SUMX(FILTER('销售表',EARLIER('RFM分析'[会员卡号])='销售表'[会员卡号]),'销售表'[销售金额])

新建表例图如下：

得到RFM数据后接下来就是确定会员价值，在BI中使用IF函数根据RFM对用户进行打分，每个要素大于平均值得2分，低于平均值得1分。可以将用户细分为8种类型，分别为：

111：三项均低于平均分，流失会员。

112：消费金额高，但是销售次数少且近期无消费，重要挽留会员。

121：消费频率高，但是消费金额少且近期无消费，一般保持会员。

122：虽然近期无消费，但是消费频率和消费金额高，重要保持会员。

211：近期有消费，但是次数和金额少，可以看作新会员。

212：消费次数少，但近期有消费且金额较大，属于重要发展会员。

221：近期有消费且消费频率高，但是金额偏低，属于一般价值会员。

222：三个要求都良好，属于重要价值会员。

实现步骤：

(1)间隔天数 =

var a= DATE(2020,1,10)-[最后一次消费日期(R)]

returna(得到最后一次消费日期至指定日期的间隔天数，通过间隔天数的平均值进行R项的评分)

(2) R得分 = if('RFM分析'[间隔天数]<=AVERAGE('RFM分析'[间隔天数]),2,1)

F得分 = if('RFM分析'[消费频率(F)]<=AVERAGE('RFM分析'[消费频率(F)]),1,2)

M得分 = if('RFM分析'[消费金额(M)]<=AVERAGE('RFM分析'[消费金额(M)]),1,2)

(3)RFM = [R得分]& [F得分]&M得分

(4)会员分组 =

switch(

'RFM分析'[RFM],

"111","流失会员",

"112","重要挽留会员",

"121","一般保持会员",

"122","重要保持会员",

"211","新会员",

"212","重要发展会员",

"221","一般价值会员",

"222","重要价值会员"

)(按照RFM维度的得分情况，使用SWITCH函数进行分组)

最后得到的表数据内容如图：

03 可视化

在模型中将RFM分析表和销售表通过会员卡号字段使用一对多的关系连接起来。

最后在报表中进行可视化的操作：

(1)环形图展示各类会员的占比情况

(2)瀑布图展示消费金额占比

本期内容就是这些，小伙伴们下期再见！

• PowerPivot工坊原创文章，转载请注明出处！

  ---

  如果您想深入学习微软Power BI，欢迎登录网易云课堂试听学习我们的“从Excel到Power BI数据分析可视化”系列课程。或者关注我们的公众号（PowerPivot工坊）后猛戳”在线学习”。
  
  
  

长按下方二维码关注“Power Pivot工坊”获取更多微软Power BI、PowerPivot相关文章、资讯，欢迎小伙伴儿们转发分享~

Power Pivot工坊