对用户群体进行价值细分,哪些是重要用户,哪些是要重点挽留的用户,对不同价值区的用户制定不同的营销方案,从而进行精准运营,这是进行RFM分析的意义。 今天来聊一聊用Excel进行RFM分析的方法。 一、RFM分析的定义 01 定义 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。RFM分析是根据客户活跃程度、消费次数和消费金额贡献值,进行客户价值细分的方法。RFM分析其实是降维思维的体现,将三个维度的值综合成一个值。 02 R-F-M各值的含义
03 分类 把上述3个指标维度按高低程度划分(二分类),可以分为得到8组类型的客户。其中1表示高,0表示低。
04 用什么工具进行RFM分析 各类分析工具皆可,通常会使用SPSS/SAS这类统计学常用的软件进行建模分析,python也可,tableau也可,但是这里我们来用Excel简单地进行RFM分析,需要我们自己算出各个R/F/M的值,然后加权RFM综合值进行简单地统计分析。 二、用Excel进行RFM分析 这是原始数据(图片为部分数据),包含客户唯一标识的订单号,消费日期和消费金额。 Step1:对原始数据建立数据透视表 客户标识一列拖到行标签,日期一列拖到值的位置,因为我们想要的是最近一次消费的时间,所以日期的汇总方式是求最大值。 这时可能会出现下图所示日期显示成数字的情况,只需要更改一下数字格式即可。 对客户标识一列拖到值区域处,汇总方式为计数。 对消费金额一列拖到值区域处,汇总方式为求和。 Step2:求R1-F1-M1的值 R1-F1-M1的值不是真正的R-F-M的值,这里只是过渡一下。首先是R1值,R1是指最近一次消费的时间间隔,以2019年8月1日为基准日期,计算每个客户最近一次消费的时间距离2019年8月1日是多少天,就是R1的值。R1=C1-G2 其次F1的值,F1是消费的次数,就是上一步客户标识计数的值。 M1的值,M1是消费金额,同理,也是透视表中消费金额求和的值。 Step3:对R1-F1-M1的值进行打分 对R1-F1-M1的值进行打分,得出R-score、F-score、M-score的值。 为了打分,我们可以将R/F/M的值三等分,得到各自的三等分距,然后依据三等分距来打分。 R1的最大值=max(J:J),最小值=min(J:J),三等分距=(U3-U4)/3,简单地计算出三等分距=(最大值-最小值)/3,同理,F1和M1也算出这几个数。 首先是对R1的值打分,我们知道R指的是最近一次消费距今的时间间隔,这个值当然是越小说明用户的活跃度越好,所以R1的值越小得分应该越高。 R1的值为336的意思是在(215=<R1<336)的区间范围内得分为3, 在(336=<R1<457)的范围内得分为2 在(457=<R1<=578)的范围内得分为1 (336是R1的最小值加三等分距得到,357是336+三等分距,578是457加三等分距) 同理对F1和M1进行打分,要注意的是,F1值表示的是消费频次,应该是频次越大,得分越高;M1值表示的是消费金额,应该是金额越高,得分越高。 将每一个R1值的得分对应起来得到R-score的值。可以用IF函数,=IF(J2<336,3,IF(J2<457,2,1)) 同理,得到F-score 和M-score的值 Step4:求R-F-M的值 最后想要得到R-F-M的值只能为0或1,可以这样计算,将R-score的值与该列的平均值进行比较,大于平均值为1,否则为0. 得到每一个R-F-M值以后,用R值*100+F值*10+M值*1得到RFM的值。 RFM的值与对应的客户类型如下所示,用vlookup函数进行匹配就可以得到每一个用户的细分类型。 最后还可以作图进行可视化分析,可以统计出各类型的客户的占比,进行透视分析发现潜在客户非常多,高价值客户很少。 |
|