吉安网页制作公司,wordpress优化软件,做网站东莞,重庆网站推广专家DataEase开源BI工具可以在店铺运营的数据分析及可视化方面提供非常大的帮助。同样#xff0c;在用于客户评估的RFM#xff08;即Recency、Frequency和Monetary的简称#xff09;分析中#xff0c;DataEase也可以发挥出积极的价值#xff0c;通过数据可视化大屏的方式实时展…DataEase开源BI工具可以在店铺运营的数据分析及可视化方面提供非常大的帮助。同样在用于客户评估的RFM即Recency、Frequency和Monetary的简称分析中DataEase也可以发挥出积极的价值通过数据可视化大屏的方式实时展示分析结果让业务数据在没有损耗准确性和时效性的前提下以更加直观易懂的方式呈现。
关于RFM分析法
RFM分析法是一种经典的客户价值评估模型广泛应用于市场营销和客户关系管理领域。通过分析客户最近一次的消费时间Recency、消费频率Frequency以及消费金额MonetaryRFM模型能够精准识别客户的价值和行为特征。这一方法在零售、新消费和电商行业尤为普遍和通用可以帮助企业识别高价值客户、制定个性化营销策略、提升客户满意度和忠诚度并且优化资源配置从而显著提升整体销售业绩和市场竞争力。
RFM分析不仅为企业提供了科学的数据支持还在客户关系管理中起到了关键的指导作用。其中针对“R”、“F”和“M”这三个维度可以根据如下标准来做出评估
1.RRecency表示客户最近一次购买时间距离当前时间的间隔天数。时间越短客户的活跃度越高越有可能再次购买
2.FFrequency表示客户在特定时间段内的购买次数。次数越多说明客户与公司的互动越频繁忠诚度越高
3.MMonetary表示客户在特定时间段内的总消费金额。金额越高客户的价值越大越会成为公司重要的利润来源。
通过DataEase对数据进行RFM分析
本文为您介绍通过DataEase对数据开展RFM分析的方法涵盖了数据收集、处理到客户分群和策略制定的完整步骤。
一、数据收集
在进行具体的数据分析之前首先需要采集、整理好待分析的客户交易数据包括每笔交易的日期、交易金额和客户ID等字段。
以下是模拟的一份零售交易数据示例。
▲图1 模拟零售交易数据
将获得的数据导入数据库。此处我们将模拟生成的数据加载至Oracle数据库中具体步骤如下
1.通过SQL命令语句创建生成数据表。
CREATE TABLE transactions (transaction_id NUMBER PRIMARY KEY,customer_id NUMBER NOT NULL,product_id NUMBER NOT NULL,transaction_time TIMESTAMP NOT NULL,total_amount NUMBER(10, 2) NOT NULL
);2.将待分析的数据导入至生成好的数据表“TRANSACTIONS”中。
▲图2 将数据导入数据库的数据表
二、数据处理与计算
本次我们将通过DataEase开源BI工具来进行RFM分析数据的大屏制作以实现数据的直观展示与分析。
具体步骤如下
1.在DataEase的“数据源配置”页面选择连接对应的Oracle数据库。
▲图3 连接Oracle数据源
2.使用Oracle数据源中预先准备好的数据表“TRANSACTIONS”创建数据集。
▲图4 数据集创建操作
3.从数据表“TRANSACTIONS”中拆分出具体的“R”、“F”、“M”三个维度并根据它们各自的指示特征对数据进行进一步的筛选和加工处理。
■ R用当前时间减去最近交易时间并将结果向上取整获取上次消费间隔天数
CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R■ F当月内的发生交易次数
COUNT(1) AS F■ M当月内消费金额合计。
SUM(TOTAL_AMOUNT) AS M在DataEase中可以便利地通过“新建计算字段”功能来加工以上字段实现数据的快速处理。
▲图5 DataEase的“新建计算字段”功能
4.按照客户ID来汇总数据并对数据进行排序取得可以用于RFM分析的数据集。
SELECTCUSTOMER_ID,CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R,COUNT(1) AS F,SUM(TOTAL_AMOUNT) AS M
FROMTRANSACTIONS
GROUP BYCUSTOMER_ID
ORDER BYCUSTOMER_ID▲图6 用于RFM分析的数据集
三、数据标准划分
使用SQL语句对待分析的数据进行进一步的处理根据客户行为指标所在的数值区间分出计分等级。
SELECTMIN(t.R) 最小最近间隔天数,MAX(t.R) 最大最近间隔天数,MIN(t.F) 最小消费次数,MAX(t.F) 最大消费次数,MIN(t.M) 最小合计金额,MAX(t.M) 最大合计金额
FROM(SELECTCUSTOMER_ID,CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R,COUNT(1) AS F,SUM(TOTAL_AMOUNT) AS MFROMTRANSACTIONSGROUP BYCUSTOMER_IDORDER BYCUSTOMER_ID)t▲图7 数据计分标准参考
此处我们使用均等分层的方式将客户交易数据分出等级作为顺序数据计分。
■ R
5分1-4天 4分5-8天 3分9-12天 2分13-16天 1分17天以上
■ F
5分20次以上 4分16-20次 3分11-15次 2分6-10次 1分1-5次
■ M
5分8001以上 4分6001-8000元 3分4001-6000元 2分2001-4000元 1分1-2000元
四、客户分群
根据已经确定的数据标准使用SQL语句对数据进行如下分类。
1.为R、F、M数值分别分层计分所得R、F、M数值对应的分数分别记录为计分字段“R_GRD”、“F_GRD”、“M_GRD”。
SELECTt.CUSTOMER_ID,t.R,CASEWHEN t.R BETWEEN 1 AND 4 THEN 5WHEN t.R BETWEEN 5 AND 8 THEN 4WHEN t.R BETWEEN 9 AND 12 THEN 3WHEN t.R BETWEEN 13 AND 16 THEN 2WHEN t.R 16 THEN 1END R_Grd,t.F,CASEWHEN t.F BETWEEN 1 AND 5 THEN 1WHEN t.F BETWEEN 6 AND 10 THEN 2WHEN t.F BETWEEN 11 AND 15 THEN 3WHEN t.F BETWEEN 16 AND 20 THEN 4WHEN t.F 20 THEN 5END F_Grd,t.M,CASEWHEN t.M BETWEEN 1 AND 2000 THEN 1WHEN t.M BETWEEN 2001 AND 4000 THEN 2WHEN t.M BETWEEN 4001 AND 6000 THEN 3WHEN t.M BETWEEN 6001 AND 8000 THEN 4WHEN t.M 8000 THEN 5END M_Grd
FROM(SELECTCUSTOMER_ID,CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R,COUNT(1) AS F,SUM(TOTAL_AMOUNT) AS MFROMTRANSACTIONSGROUP BYCUSTOMER_IDORDER BYCUSTOMER_ID)t▲图8 新增“GRD”计分字段
2.分别计算出“R_GRD”、“F_GRD”、“M_GRD”三个字段的平均值。
SELECTAVG(ag.R_Grd) R_avg,AVG(ag.F_Grd) F_avg,AVG(ag.M_Grd) M_avg
FROM(SELECTt.CUSTOMER_ID,t.R,CASEWHEN t.R BETWEEN 1 AND 4 THEN 5WHEN t.R BETWEEN 5 AND 8 THEN 4WHEN t.R BETWEEN 9 AND 12 THEN 3WHEN t.R BETWEEN 13 AND 16 THEN 2WHEN t.R 16 THEN 1END R_Grd,t.F,CASEWHEN t.F BETWEEN 1 AND 5 THEN 1WHEN t.F BETWEEN 6 AND 10 THEN 2WHEN t.F BETWEEN 11 AND 15 THEN 3WHEN t.F BETWEEN 16 AND 20 THEN 4WHEN t.F 20 THEN 5END F_Grd,t.M,CASEWHEN t.M BETWEEN 1 AND 2000 THEN 1WHEN t.M BETWEEN 2001 AND 4000 THEN 2WHEN t.M BETWEEN 4001 AND 6000 THEN 3WHEN t.M BETWEEN 6001 AND 8000 THEN 4WHEN t.M 8000 THEN 5END M_GrdFROM(SELECTCUSTOMER_ID,CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R,COUNT(1) AS F,SUM(TOTAL_AMOUNT) AS MFROMTRANSACTIONSGROUP BYCUSTOMER_IDORDER BYCUSTOMER_ID)t)ag▲图9 计算“GRD”字段平均值
3.将“R_GRD”、“F_GRD”、“M_GRD”分数与各自的字段平均值进行对比得出对应的等级字段“R_RNK”、“F_RNK”、“M_RNK”。若“GRD”分数高于平均值则记录“RNK”为“高”反之则记录“RNK”为“低”。
SELECTt.CUSTOMER_ID,t.R,CASEWHEN t.R BETWEEN 1 AND 4 THEN 5WHEN t.R BETWEEN 5 AND 8 THEN 4WHEN t.R BETWEEN 9 AND 12 THEN 3WHEN t.R BETWEEN 13 AND 16 THEN 2WHEN t.R 16 THEN 1END R_Grd,CASEWHEN (CASEWHEN t.R BETWEEN 1 AND 4 THEN 5WHEN t.R BETWEEN 5 AND 8 THEN 4WHEN t.R BETWEEN 9 AND 12 THEN 3WHEN t.R BETWEEN 13 AND 16 THEN 2WHEN t.R 16 THEN 1END) 3.441 THEN 高ELSE 低END R_Rnk,t.F,CASEWHEN t.F BETWEEN 1 AND 5 THEN 1WHEN t.F BETWEEN 6 AND 10 THEN 2WHEN t.F BETWEEN 11 AND 15 THEN 3WHEN t.F BETWEEN 16 AND 20 THEN 4WHEN t.F 20 THEN 5END F_Grd,CASEWHEN (CASEWHEN t.F BETWEEN 1 AND 5 THEN 1WHEN t.F BETWEEN 6 AND 10 THEN 2WHEN t.F BETWEEN 11 AND 15 THEN 3WHEN t.F BETWEEN 16 AND 20 THEN 4WHEN t.F 20 THEN 5END) 2.751 THEN 高ELSE 低END F_Rnk,t.M,CASEWHEN t.M BETWEEN 1 AND 2000 THEN 1WHEN t.M BETWEEN 2001 AND 4000 THEN 2WHEN t.M BETWEEN 4001 AND 6000 THEN 3WHEN t.M BETWEEN 6001 AND 8000 THEN 4WHEN t.M 8000 THEN 5END M_Grd,CASEWHEN (CASEWHEN t.M BETWEEN 1 AND 2000 THEN 1WHEN t.M BETWEEN 2001 AND 4000 THEN 2WHEN t.M BETWEEN 4001 AND 6000 THEN 3WHEN t.M BETWEEN 6001 AND 8000 THEN 4WHEN t.M 8000 THEN 5END) 2.852 THEN 高ELSE 低END M_Rnk
FROM(SELECTCUSTOMER_ID,CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R, COUNT(1) AS F,SUM(TOTAL_AMOUNT) AS MFROMTRANSACTIONSGROUP BYCUSTOMER_IDORDER BYCUSTOMER_ID)t▲图10 新增“RNK”等级字段
五、分析与策略
根据上一步获得的“RNK”等级评估标准对用户类型进行细分获取用户画像并且分别制定对应的策略。
基于用户画像分析在数据表中新增“RFM-RNK”客户分类字段定位客户类型。
SELECTrfm.*,CASEWHEN rfm.R_RNK 高AND rfm.F_RNK 高AND rfm.M_RNK 高 THEN 重要价值客户WHEN rfm.R_RNK 高AND rfm.F_RNK 低AND rfm.M_RNK 高 THEN 重要发展客户WHEN rfm.R_RNK 低AND rfm.F_RNK 高AND rfm.M_RNK 高 THEN 重要保持客户WHEN rfm.R_RNK 低AND rfm.F_RNK 低AND rfm.M_RNK 高 THEN 重要挽留客户WHEN rfm.R_RNK 高AND rfm.F_RNK 高AND rfm.M_RNK 低 THEN 一般价值客户WHEN rfm.R_RNK 高AND rfm.F_RNK 低AND rfm.M_RNK 低 THEN 一般保持客户WHEN rfm.R_RNK 低AND rfm.F_RNK 高AND rfm.M_RNK 低 THEN 一般保持客户WHEN rfm.R_RNK 低AND rfm.F_RNK 低AND rfm.M_RNK 低 THEN 一般挽留客户END rfm_Rnk
FROM(SELECTt.CUSTOMER_ID,t.R,CASEWHEN t.R BETWEEN 1 AND 4 THEN 5WHEN t.R BETWEEN 5 AND 8 THEN 4WHEN t.R BETWEEN 9 AND 12 THEN 3WHEN t.R BETWEEN 13 AND 16 THEN 2WHEN t.R 16 THEN 1 END R_Grd,CASEWHEN (CASEWHEN t.R BETWEEN 1 AND 4 THEN 5WHEN t.R BETWEEN 5 AND 8 THEN 4WHEN t.R BETWEEN 9 AND 12 THEN 3WHEN t.R BETWEEN 13 AND 16 THEN 2WHEN t.R 16 THEN 1END) 3.441 THEN 高ELSE 低END R_Rnk,t.F,CASEWHEN t.F BETWEEN 1 AND 5 THEN 1WHEN t.F BETWEEN 6 AND 10 THEN 2WHEN t.F BETWEEN 11 AND 15 THEN 3WHEN t.F BETWEEN 16 AND 20 THEN 4WHEN t.F 20 THEN 5END F_Grd,CASEWHEN (CASEWHEN t.F BETWEEN 1 AND 5 THEN 1WHEN t.F BETWEEN 6 AND 10 THEN 2WHEN t.F BETWEEN 11 AND 15 THEN 3WHEN t.F BETWEEN 16 AND 20 THEN 4WHEN t.F 20 THEN 5END) 2.751 THEN 高ELSE 低END F_Rnk,t.M,CASEWHEN t.M BETWEEN 1 AND 2000 THEN 1WHEN t.M BETWEEN 2001 AND 4000 THEN 2WHEN t.M BETWEEN 4001 AND 6000 THEN 3WHEN t.M BETWEEN 6001 AND 8000 THEN 4WHEN t.M 8000 THEN 5END M_Grd,CASEWHEN (CASEWHEN t.M BETWEEN 1 AND 2000 THEN 1WHEN t.M BETWEEN 2001 AND 4000 THEN 2WHEN t.M BETWEEN 4001 AND 6000 THEN 3WHEN t.M BETWEEN 6001 AND 8000 THEN 4WHEN t.M 8000 THEN 5END) 2.852 THEN 高ELSE 低END M_Rnk
FROM(SELECTCUSTOMER_ID,CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R, COUNT(1) AS F,SUM(TOTAL_AMOUNT) AS MFROMTRANSACTIONSGROUP BYCUSTOMER_IDORDER BYCUSTOMER_ID)t)rfm▲图11 新增“RFM-RNK”客户分类字段
六、用户画像可视化
基于前述数据分析的结果并且结合店铺自身的业务场景我们可以引入VIP客户占比、沉睡客户占比等关键绩效指标。这些指标对于深入了解客户群体结构和行为模式至关重要能够帮助我们更加精准地把握营销侧重的方向。
针对以上整个RFM分析中的关键数据指标我们可以利用DataEase强大的数据可视化呈现能力构建如下定制化的数据大屏综合展示这些关键指标的实时动态为运营人员提供一目了然的可视化效果并且通过多维度的数据透视和交互功能深入挖掘数据背后的潜在业务价值。
我们也可以通过定期更新的数据大屏去实时监控不同类型客户的活跃度和贡献度识别并维护高价值客户。同时通过沉睡客户的占比分析我们可以制定针对性的激活策略挖掘潜在的客户消费机会。
▲图12 基于DataEase构建的“用户画像-RFM分析法”数据大屏
RFM分析数据大屏的构建有助于我们更精准地了解客户需求和市场变化也能为制定更加细致的市场运营策略提供坚实的数据基础让营销决策变得更加高效和科学。
注本文所引用的RFM分析相关定义来源于《数据分析思维分析方法和业务知识》一书猴子.数据分析学院著。
