1.背景和痛点
随着时代的发展，零售业传统的生产导向已不再适应市场需求。需求导向型已成为未来零售业的发展方向。需求导向型的重点是消费者，如何实现聚焦正确的客户、提供正确的产品、以最低成本实现触达，同时将客户与商品相对应，实现个性化推荐和交叉销售是未来零售业的主要方向。在当今激烈的市场竞争环境中，企业如何更好地理解和管理客户关系是一大挑战。许多企业面临以下问题:
•客户粘性偏低，客户流失率高
•难以准确预测客户的消费需求和购买行为
•不同产品的营销资源分配不均，针对性较弱
•缺乏有效的客户分层和差异化营销策略
如何实现客户分层，进行精准营销？RFM分析当属最经典的模型。
2.RFM分析模型
RFM（最近一次交易时间、交易频率、交易金额）是一种强大的回头客分析方法，能够帮助我们全面了解客户的价值和消费行为模式。通过RFM分析，我们能够以生动有趣的方式深入探索客户行为习惯，并制定出针对他们消费模式的精准销售策略。
RFM分析的核心思想如下:
•Recency(最近一次交易时间)：衡量客户与企业最近一次交易的时间间隔,反映客户的忠诚度和黏性。
•Frequency(交易频率)：衡量客户在一定时间内的交易次数,反映客户的活跃度。
•Monetary(交易金额)：衡量客户在一定时间内的总交易金额,反映客户的价值。
通过对这三个指标进行打分和组合,可以将客户划分为不同的价值层级，针对不同层级的客户制定差异化的营销策略。
3.实现路径
示例数据：RFM分析
预期效果：
3.1数据准备
3.1.1 创建excel数据集
1)以excel类型的数据举例，首先我们点击右侧工具栏【创建数据集-excel数据集】，点击上传将对应的excel数据文件进行上传。
2)导入后，我们根据实际情况，选择对应的sheet页与设置，随后点击下方的【刷新数据】生成对应数据。
3)生成数据后我们点击字段名称旁的更多菜单，可以进行一些数据处理操作，例如缺失值填充，数据脱敏等。最后我们将数据集进行保存，以便后续在报告制作中使用。
3.1.2 如何使用sql数据集获取客户消费相关指标
假设我们的原始表中有以下字段：
•【消费日期】：订单产生的日期
•【消费金额】：每一笔订单所消费的金额
•【客户名称】：客户的名称
1）打开数据集界面，点击新建sql数据集
2）最近一次消费时间间隔（R）：找到每位用户的最近一次交易日期，并计算它们距离今天的天数。
SELECT user_id,
MAX(transaction_date) AS last_transaction_date, --- 最近购买日期
(?{_THIS_FULL_DAY_}- lt.last_transaction_date) AS recency_days ---与代表今天的内置参数相减获得日期间隔
FROM transactions
GROUP BY user_id
3）消费次数（F）：接下来，我们计算每位用户在指定时间段内的交易次数。
SELECT user_id,
COUNT(*) AS transaction_count
FROM transactions
WHERE transaction_date BETWEEN '2023-08-23' AND '2024-08-23' -- 指定时间段
GROUP BY user_id
)
4）消费金额（M）
SELECT user_id,
SUM(amount) AS total_amount
FROM transactions
WHERE transaction_date BETWEEN '2023-08-23' AND '2024-08-23' -- 指定时间段
GROUP BY user_id
5）通过自服务数据集，通过user_id作为联表条件进行联表，先将两张表进行关联，再继续关联第三张表即可
3.1.3 获取用户评级
3.1.3.1 获取RFM评级
1）通过计算列进行判断，根据关键指标是否大于客户总体平均值水平进行评价，其中在
if（(col['平均总体xxx'] >col['用户平均xxx'] ) then 1 else 0
中，小于总体平均的设为 0，大于总体平均的设为 1 ，使得 1 都是保持正向特征，0 保持负向特征。
2）次均消费金额评价：当用户平均单次消费金额大于用户总体平均值时，标记为 1 ，否则标记为 0 ，公式为
if（(col['平均单次消费金额'] >col['用户平均消费金额'] ) then 1 else 0
3）消费次数评价：当用户消费次数大于用户总体平均值时，标记为 1 ，否则标记为 0 ，公式为
if（(col['消费次数'] >col['平均消费频次'] ) then 1 else 0
4）最近一次消费距今天数评价：当用户最近消费时间距今天数小于用户总体平均值时，标记为 1 ，否则标记为 0 ，公式为
if（(col['最近一次消费距今天数'] >col['最近一次消费距今平均天数'] ) then 1 else 0
3.1.3.2 进一步将评分划分成五个层级
1）在这个基础上我们还可以进一步进行更细致的评分划分，用于后续其他分析使用。依照这个思路我们可以参考以下写法：
if（(col['最近一次消费距今天数']*0.2 >col['最近一次消费距今平均天数'] ) then 1 elseif （(col['最近一次消费距今天数']*0.4 >col['最近一次消费距今平均天数'] ) then 2
……
以此类推。
3.1.3.3划分客户类型
1) 已经得到客户的特征向量值，根据以下表格可将客户划分分类：
客户特征 |
客户分类 |
|---|---|
重要价值客户（111） |
最近消费时间近、消费频次和消费金额都很高（VIP） |
重要发展客户（101） |
最近消费时间较近、消费金额高，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。 |
重要保持客户（011） |
最近消费时间较远，消费金额和频次都很高。 |
重要挽留客户（001） |
最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当基于挽留措施。 |
一般价值客户（110） |
最近消费时间近，频率高但消费金额低，需要提高其客单价。 |
一般发展客户（100） |
最近消费时间较近、消费金额，频次都不高。 |
一般保持客户（010） |
最近消费时间较远、消费频次高，但金额不高。 |
一般挽留客户（000） |
都不高。 |
2)数据集中新建计算列，由于原本的rfm数据为数值类型，我们需要先使用formatnumber函数转换成字符串后使用concat函数进行拼接。
公式为
concat(formatNumber(col['R数据'],'#'),formatNumber(col['F数据'],'#'),formatNumber(col['M数据'],'#'))
3)使用【映射】功能对评级信息进行类型名称映射。
这样我们的数据就准备完成了。
3.2组件制作
3.2.1标题部分
1)我们可以使用【模板】功能，点击右侧工具栏【组件】—【模板】，将自己想要的模板拖入画布。
2)双击模板的文本部分，可以对标题内容进行编辑修改。
3)预期完成效果展示
3.2.2 柱图部分
1)将一个柱状图组件拖入画布中。
2)将【客户名称】绑定至“列”和“标签”处，并将度量类型调整为【不同值计数】，将【客户类型】绑定至“行”和“颜色”处。
3)点击颜色字段后的三角图标，选择编辑颜色，我们可以根据喜好调整颜色。
4)点击“大小”图标，我们可以调整柱子的大小。
5)点击右侧工具栏，选择【轴】，我们可以调整轴客户的最大值和最小值等配置。
6)预期效果展示
3.2.3 指标卡部分
1)将一个环状图组件拖入画布。
2)将【R】，【F】，【M】数据绑定至组件，度量类型调整为平均；绑定客户id，度量类型调整为计数，并修改为对应的别名。
3)先选中【总用户数】对应的指标卡部分，右侧工具栏—【图形】，勾选“设置第一列为主指标”。
4)调整颜色与大小调整，方法同柱状图。
5)预期效果展示。
3.2.4 点图部分
1)拖入一个点图组件。
2)将【F】绑定至列，【R】绑定至行，【M】绑定至颜色将id绑定至标签，度量设置为计数。
3)预期效果展示。
3.2.5 表格部分
1)将一个普通表组件拖入画布。
2)将需要展示的数据，绑定至数据列，并调整顺序，绑定顺序由上到下，对应表格从左到右。
3)点击右侧工具栏—【格式】，我们可以根据喜好，对表格样式以及组件格式进行调整。如果想对单元格进行单独修改，框选对应单元格状态下，调整格式即可。
4)预期效果展示。
3.2.6 传参部分
1）拖入下拉参数组件。
2）以时间年和月举例，首先我们在制作报告中，右侧工具栏—【数据】界面，点击时间数据右侧图表，选择【新建日期表达式】，勾选年和月数据。
3）将数据绑定至下拉参数组件，在右侧工具栏—【设置】中，修改组件名称为“年”和“月”。
4）双击参数组件前的文本标题，进行文本编辑修改。
5）选择需要参与传参的组件，进行传参配置。
3.2.6文本部分
1）拖入一个富文本组件
2）双击组件后，进入到文本编辑界面，我们可以在这里对字体颜色等格式与展示效果进行调整。
3）同时我们也可以将报告中展示信息，或者用到的参数，进行引用。
4.总结
通过vividime BI构建的RFM分析报表不仅直观展示了客户价值的关键信息，而且极大地提高了数据分析的效率和准确性，充分体现出了vividime BI的强大功能和易用性。可视化操作方面，报表中的图表和图形设计精美，使得RFM分析结果一目了然，即使是非专业人士也能轻松理解客户价值的分布状况；数据处理方面，vividime BI能够高效处理大量数据，即使是在分析大规模客户群体时也能保持快速响应，保证了RFM分析过程的流畅性和可靠性；交互探索方面，用户可以通过交互式界面轻松探索数据细节，比如通过下钻功能深入查看特定客户群体的数据，这对于深入了解客户行为非常有帮助。
希望在未来，vividime BI能继续与大家共同进步！