操作教程｜基于DataEase用RFM分析法分析零售交易数据

devtools/2024/10/17 20:22:15/

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。

RFM_2">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。

DataEaseRFM_14">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。
在这里插入图片描述

▲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。
在这里插入图片描述

▲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。
在这里插入图片描述

▲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。
在这里插入图片描述

▲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

在这里插入图片描述

▲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

在这里插入图片描述

▲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

在这里插入图片描述

▲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

在这里插入图片描述

▲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

在这里插入图片描述

▲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。
在这里插入图片描述

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

在这里插入图片描述

▲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。
在这里插入图片描述

▲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。


http://www.ppmy.cn/devtools/124123.html

相关文章

速盾：高防服务器是如何防御CC攻击的？

速盾：高防服务器是如何防御CC攻击的？

高防服务器是一种专门用于防御DDoS（分布式拒绝服务）攻击的服务器。其中一种常见的DDoS攻击就是CC（连续性攻击），它通过向目标服务器发送大量的请求来耗尽服务器资源，使网站无法正常运行。高防服务器采用多种…
阅读更多...
快速部署vue项目

快速部署vue项目

简介 在现代前端开发中，工具的选择对于提高开发效率至关重要。Vite 是一个新型的前端构建工具，它利用了 ES 模块的特性来提供快速的开发体验。而 pnpm 则是一个高效的包管理器，能够极大地节省磁盘空间并加速依赖安装过程。本文将介绍如何使用…
阅读更多...
RTC定时时钟

RTC定时时钟

一.RTC基本信息 1.Unix时间戳 Unix时间戳定义：从UTC/GMT的1970年1月1日0时0分0秒开始所经过的秒数，不考虑闰秒。 时间戳存储在一个秒计数器中，秒计数器为32位/64位的整形变量，32位到2038年就装不下了 世界上所有时区的秒计数器相…
阅读更多...
现货黄金价格走势图策略分析 先看“势”

现货黄金价格走势图策略分析 先看“势”

在现货黄金投资市场，对金价走势图的趋势进行分析，是投资者做出明智决策的关键步骤。通过有效的趋势分析，投资者可以更好地预测市场的走向，从而制定相应的交易策略。本文将详细介绍如何分析金价的趋势，并探讨这种分析方…
阅读更多...
【电路笔记】-求和运算放大器

【电路笔记】-求和运算放大器

求和运算放大器 文章目录 求和运算放大器1、概述2、反相求和放大器3、同相求和放大器4、减法放大器5、应用5.1 音频混合器5.2 数模转换器 (DAC)6、总结1、概述 在我们之前有关运算放大器的大部分文章中，仅将一个输入应用于反相或非反相运算放大器的输入。在本文中，将讨论一种…
阅读更多...
apache.poi读取.xls文件时The content of an excel record cannot exceed 8224 bytes

apache.poi读取.xls文件时The content of an excel record cannot exceed 8224 bytes

目录 问题描述版本定位：打印size最大的Record定位：RefSubRecord解决代码 问题描述 使用apache.poi读取.xls文件时有The content of an excel record cannot exceed 8224 bytes的报错。待读取的文件的内容也是通过apache.poi写入的，我的文件修…
阅读更多...
正则表达式【JavaScript】

正则表达式【JavaScript】

JavaScript的正则表达式（Regular Expressions，简称Regex或RegExp）是一种强大的工具，用于匹配字符串中的模式。正则表达式包含许多元字符（Metacharacters），这些元字符用于定义模式的结构。 一、…
阅读更多...
音视频入门基础：FLV专题（14）——FFmpeg源码中，解码Script Tag的实现

音视频入门基础：FLV专题（14）——FFmpeg源码中，解码Script Tag的实现

一、引言 在《音视频入门基础：FLV专题（9）——Script Tag简介》中对Script Tag进行了简介，本文讲述FFmpeg源码中是怎样解码FLV文件的Script Tag，拿到里面的信息。 二、flv_read_packet函数 从《音视频入门基础&#x…
阅读更多...
最新文章

Copyright @ 2022~2023