全部文档
当前文档
最近更新时间：2021-09-08 11:33:14
案例背景:很多直接面向消费者的企业，也就是我们常说的To C的企业通常都会建立自己的会员体系，并在线上和线下积累了大量的会员数据。但如何才能更好的利用这些数据以及如何识别哪些是高价值的会员，这是每个企业都在不断探索的话题。
今天给大家整理了一个运营/电商经常用到的分析模型——RFM模型。这是一种经典到头皮发麻的用户分类、价值分析模型。先来解释下这几个指标的含义：
R，Rencency，即每个用户有多少天没回购了，可以理解为最近一次购买到现在隔了多少天。
F，Frequency，是每个用户购买了多少次。
M，Monetary，代表每个用户平均购买金额，这里也可以是累计购买金额。
通过RFM可以对用户价值做出合理的预估，定位精准用户运营。
这也是为什么在网上购物后，经常会收到商家的推送短信，因为你极有可能是商家的「重要深耕用户」，嗯，提醒你该剁手啦~
是不是心动了？OK，闲话少说，我们来开动正餐！
第一步：先来导入数据，这里有一份经过数据脱敏的销售数据表，包括了买家昵称、订单日期、订单状态、销售额、购买数量这些字段，我们将它导入，如下：
导入数据完成之后，接下来是来构建RFM指标。我们数据模型里点击「编辑模型」-「新建计算维度」。
首先是R值，即每个用户最后一次购买时间距今多少天。如果用户只下单过一次，用现在的日期减去订单日期即可；若是用户多次下单，需先筛选出这个用户最后一次付款的时间，再用它减去今天，就得到R值了。
用户最后交易日期={ FIXED [买家昵称]: MAX ([订单时间]) }
R值=DATEDIFF ("DAY",[用户最后交易日期],TODAY())
接着来搞定F值，即每个用户累计购买频次。把每个用户的下单数做一个计数统计即可得到F值。
上一步计算出了每个用户购买频次，这里我们只需要得到每个用户的总金额就能得到M值了。
至此，我们完成了模型核心指标的计算，算是打扫干净了屋子再请客。
第二步，用户分组
RFM经典的分层会按照R/F/M每一项指标是否高于平均值，把用户划分为8类，总结了一下，具体像下面表格这样：
于是，我们需要建立R\F\M的平均值字段，并判断的用户的R\F\M值是否大于均值：
F值平均值={fixed :sum([F值])/countd([买家昵称])}
F值是否高于平均值=if [F值]>=[F值平均值] then 1 else 0
为了得到最终用户分组，还需要再定义一个判断函数，通过判断人群数值的值，来匹配用户分组：
至此，用户分组工作完成，也宣告了RFM模型建模的结束，每一位用户都有了属于自己的RFM标签。
第三步，报表制作
首先，新建一个环形图，然后将「用户分组」和「用户数」字段分别拖动到颜色和角度，如下：
接着可以在产品中绘制两个并列柱状图来详细的看下分类的数据，如各类用户分布情况和各类用户销售额贡献占比：
设置3个指标卡，分别用于展示销售额、用户数和订单量；再将简化RFM模型表格插入，如下：
如果想进一步挖掘数据价值，可以考虑再加上「用户留存率」和「用户购买力」两张表
最后，在图表【各类用户占比详情】中添加图表联动，关联页面内的其他图表。
制作完成之后，你就能得到一份非常简单，但是却很实用的RFM模型动态仪表盘了。
纯净模式