第42章 操作教程｜基于DataEase用RFM分析法分析零售交易数据 - DataEase 产品动态

操作教程｜基于DataEase用RFM分析法分析零售交易数据 DataEase助力用户画像分析。 2024年10月08日 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（Monetary），RFM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. R（Recency）：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. F（Frequency）：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. M（Monetary）：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。 SELECT CUSTOMER_ID, CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R, COUNT(1) AS F, SUM(TOTAL_AMOUNT) AS M FROM TRANSACTIONS GROUP BY CUSTOMER_ID ORDER BY CUSTOMER_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。 SELECT MIN(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 ( SELECT CUSTOMER_ID, CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R, COUNT(1) AS F, SUM(TOTAL_AMOUNT) AS M FROM TRANSACTIONS GROUP BY CUSTOMER_ID ORDER BY CUSTOMER_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”。 SELECT t.CUSTOMER_ID, t.R, CASE WHEN t.R BETWEEN 1 AND 4 THEN 5 WHEN t.R BETWEEN 5 AND 8 THEN 4 WHEN t.R BETWEEN 9 AND 12 THEN 3 WHEN t.R BETWEEN 13 AND 16 THEN 2 WHEN t.R > 16 THEN 1 END R_Grd, t.F, CASE WHEN t.F BETWEEN 1 AND 5 THEN 1 WHEN t.F BETWEEN 6 AND 10 THEN 2 WHEN t.F BETWEEN 11 AND 15 THEN 3 WHEN t.F BETWEEN 16 AND 20 THEN 4 WHEN t.F > 20 THEN 5 END F_Grd, t.M, CASE WHEN t.M BETWEEN 1 AND 2000 THEN 1 WHEN t.M BETWEEN 2001 AND 4000 THEN 2 WHEN t.M BETWEEN 4001 AND 6000 THEN 3 WHEN t.M BETWEEN 6001 AND 8000 THEN 4 WHEN t.M > 8000 THEN 5 END M_Grd FROM ( SELECT CUSTOMER_ID, CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R, COUNT(1) AS F, SUM(TOTAL_AMOUNT) AS M FROM TRANSACTIONS GROUP BY CUSTOMER_ID ORDER BY CUSTOMER_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。 SELECT AVG(ag.R_Grd) R_avg, AVG(ag.F_Grd) F_avg, AVG(ag.M_Grd) M_avg FROM ( SELECT t.CUSTOMER_ID, t.R, CASE WHEN t.R BETWEEN 1 AND 4 THEN 5 WHEN t.R BETWEEN 5 AND 8 THEN 4 WHEN t.R BETWEEN 9 AND 12 THEN 3 WHEN t.R BETWEEN 13 AND 16 THEN 2 WHEN t.R > 16 THEN 1 END R_Grd, t.F, CASE WHEN t.F BETWEEN 1 AND 5 THEN 1 WHEN t.F BETWEEN 6 AND 10 THEN 2 WHEN t.F BETWEEN 11 AND 15 THEN 3 WHEN t.F BETWEEN 16 AND 20 THEN 4 WHEN t.F > 20 THEN 5 END F_Grd, t.M, CASE WHEN t.M BETWEEN 1 AND 2000 THEN 1 WHEN t.M BETWEEN 2001 AND 4000 THEN 2 WHEN t.M BETWEEN 4001 AND 6000 THEN 3 WHEN t.M BETWEEN 6001 AND 8000 THEN 4 WHEN t.M > 8000 THEN 5 END M_Grd FROM ( SELECT CUSTOMER_ID, CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R, COUNT(1) AS F, SUM(TOTAL_AMOUNT) AS M FROM TRANSACTIONS GROUP BY CUSTOMER_ID ORDER BY CUSTOMER_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”。 SELECT t.CUSTOMER_ID, t.R, CASE WHEN t.R BETWEEN 1 AND 4 THEN 5 WHEN t.R BETWEEN 5 AND 8 THEN 4 WHEN t.R BETWEEN 9 AND 12 THEN 3 WHEN t.R BETWEEN 13 AND 16 THEN 2 WHEN t.R > 16 THEN 1 END R_Grd, CASE WHEN (CASE WHEN t.R BETWEEN 1 AND 4 THEN 5 WHEN t.R BETWEEN 5 AND 8 THEN 4 WHEN t.R BETWEEN 9 AND 12 THEN 3 WHEN t.R BETWEEN 13 AND 16 THEN 2 WHEN t.R > 16 THEN 1 END) > 3.441 THEN '高' ELSE '低' END R_Rnk, t.F, CASE WHEN t.F BETWEEN 1 AND 5 THEN 1 WHEN t.F BETWEEN 6 AND 10 THEN 2 WHEN t.F BETWEEN 11 AND 15 THEN 3 WHEN t.F BETWEEN 16 AND 20 THEN 4 WHEN t.F > 20 THEN 5 END F_Grd, CASE WHEN (CASE WHEN t.F BETWEEN 1 AND 5 THEN 1 WHEN t.F BETWEEN 6 AND 10 THEN 2 WHEN t.F BETWEEN 11 AND 15 THEN 3 WHEN t.F BETWEEN 16 AND 20 THEN 4 WHEN t.F > 20 THEN 5 END) > 2.751 THEN '高' ELSE '低' END F_Rnk, t.M, CASE WHEN t.M BETWEEN 1 AND 2000 THEN 1 WHEN t.M BETWEEN 2001 AND 4000 THEN 2 WHEN t.M BETWEEN 4001 AND 6000 THEN 3 WHEN t.M BETWEEN 6001 AND 8000 THEN 4 WHEN t.M > 8000 THEN 5 END M_Grd, CASE WHEN (CASE WHEN t.M BETWEEN 1 AND 2000 THEN 1 WHEN t.M BETWEEN 2001 AND 4000 THEN 2 WHEN t.M BETWEEN 4001 AND 6000 THEN 3 WHEN t.M BETWEEN 6001 AND 8000 THEN 4 WHEN t.M > 8000 THEN 5 END) > 2.852 THEN '高' ELSE '低' END M_Rnk FROM ( SELECT CUSTOMER_ID, CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R, COUNT(1) AS F, SUM(TOTAL_AMOUNT) AS M FROM TRANSACTIONS GROUP BY CUSTOMER_ID ORDER BY CUSTOMER_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。 SELECT rfm.*, CASE WHEN 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 ( SELECT t.CUSTOMER_ID, t.R, CASE WHEN t.R BETWEEN 1 AND 4 THEN 5 WHEN t.R BETWEEN 5 AND 8 THEN 4 WHEN t.R BETWEEN 9 AND 12 THEN 3 WHEN t.R BETWEEN 13 AND 16 THEN 2 WHEN t.R > 16 THEN 1 END R_Grd, CASE WHEN (CASE WHEN t.R BETWEEN 1 AND 4 THEN 5 WHEN t.R BETWEEN 5 AND 8 THEN 4 WHEN t.R BETWEEN 9 AND 12 THEN 3 WHEN t.R BETWEEN 13 AND 16 THEN 2 WHEN t.R > 16 THEN 1 END) > 3.441 THEN '高' ELSE '低' END R_Rnk, t.F, CASE WHEN t.F BETWEEN 1 AND 5 THEN 1 WHEN t.F BETWEEN 6 AND 10 THEN 2 WHEN t.F BETWEEN 11 AND 15 THEN 3 WHEN t.F BETWEEN 16 AND 20 THEN 4 WHEN t.F > 20 THEN 5 END F_Grd, CASE WHEN (CASE WHEN t.F BETWEEN 1 AND 5 THEN 1 WHEN t.F BETWEEN 6 AND 10 THEN 2 WHEN t.F BETWEEN 11 AND 15 THEN 3 WHEN t.F BETWEEN 16 AND 20 THEN 4 WHEN t.F > 20 THEN 5 END) > 2.751 THEN '高' ELSE '低' END F_Rnk, t.M, CASE WHEN t.M BETWEEN 1 AND 2000 THEN 1 WHEN t.M BETWEEN 2001 AND 4000 THEN 2 WHEN t.M BETWEEN 4001 AND 6000 THEN 3 WHEN t.M BETWEEN 6001 AND 8000 THEN 4 WHEN t.M > 8000 THEN 5 END M_Grd, CASE WHEN (CASE WHEN t.M BETWEEN 1 AND 2000 THEN 1 WHEN t.M BETWEEN 2001 AND 4000 THEN 2 WHEN t.M BETWEEN 4001 AND 6000 THEN 3 WHEN t.M BETWEEN 6001 AND 8000 THEN 4 WHEN t.M > 8000 THEN 5 END) > 2.852 THEN '高' ELSE '低' END M_Rnk FROM ( SELECT CUSTOMER_ID, CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R, COUNT(1) AS F, SUM(TOTAL_AMOUNT) AS M FROM TRANSACTIONS GROUP BY CUSTOMER_ID ORDER BY CUSTOMER_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。