PowerBI RFM 第4代 全网首发 超越传统

本文给出第四代 RFM 客户分类模型，自从首发第 1，2，3代 RFM，已经比较完善，但还可以更加极致，因此，就来到了第四代 RFM 模型。为了搞懂第四代 FRM 模型的价值和意义，请各位小伙伴先简单了解前面的情况。

如果嫌麻烦，也可以直接跳到 RFM 4.0 的说明。如果说，RFM 4.0 的本文实现是自评 80 分，那么此前的 RFM 3.0 与之相比，大概只能是：30 分。RFM 4.0 的进步是全方位的，它不仅体现 PowerBI，DAX 的能力，体现业务逻辑，还体现了综合全部要素抽象简单统一的能力。

前情回顾

前情回顾 - 第三次发布概述

我们历史上做过 2 个 RFM 分析的模型，没有任何问题，但那时的制作更多地在研究 DAX 实现的极致，而现在则完全不同，我们将回归简单，用最简单的方式来实现如何支持业务的效果。最典型的案例莫过于我们发布的【ABC动态分析精悍版】，只要两个度量值就完成动态ABC分析。在很多教程中，动态 ABC 分析是最后的压轴案例，但在这里ABC分析是最简单的模型。我们会陆续再释放几个经过极度简化的非常棒的模型。

今天要说的RFM确实仍然是相对复杂的一个。这有着一些技术原因，如果您可以学习完我们的所有模型，你会慢慢发现其中的规律并逐渐理解为什么有的模型会相对复杂，现在谈这个有点早。我们直接进入主题吧。

先来看看什么是一条龙：

请仔细观察上图，非常凶残。用户可以：

• 在RFM统计图与RFM分析数据之间切换。

• 用户可以通过条子图，里面选择自己关注的用户群体。

• 用户也可以观察用户群体在三点图的相对位置来得到一些信息，稍后展开。

• 用户选择群体后，可以点击查看到明细。

• 用户可以从明细钻取到所关注的客户。

• 并发起激活动作。

这样，整个场景就形成了闭环。

为了让本文具有一定的完整性，我们会整个再说明下 RFM 的概念。

前情回顾 - 什么是 RFM

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标：

• 最近一次消费(Recency)

• 消费频率(Frequency)

• 消费金额(Monetary)

因此，称该研究模型为：RFM。

最近一次消费：最近一次消费意指上一次购买的时候，顾客上一次是几时来店里、上一次根据哪本邮购目录购买东西、什么时候买的车，或在你的超市买早餐最近的一次是什么时候。

消费频率：消费频率是顾客在限定的期间内所购买的次数。我们可以说最常购买的顾客，也是满意度最高的顾客。如果相信品牌及商店忠诚度的话，最常购买的消费者，忠诚度也就最高。增加顾客购买的次数意味着从竞争对手处偷取市场占有率，由别人的手中赚取营业额。

消费金额：消费金额是所有数据库报告的支柱，也可以验证“帕雷托法则”(Pareto’s Law)——公司80％的收入来自20％的顾客。它显示出排名前10％的顾客所花费的金额比下一个等级者多出至少2倍，占公司所有营业额的40％以上。如看累计百分比的那一栏，我们会发现有40％的顾客贡献公司总营业额的80％；而有60％的客户占营业额的90％以上。

因此，最近一次消费、消费频率、消费金额是测算消费者价值最重要也是最容易的方法，这充分的表现了这三个指标对营销活动的指导意义。而其中，最近一次消费是最有力的预测指标。

前情回顾 - RFM 分群

在实际操作中，可以定义：

• R：一段时间内，客户最近一次交易日期，与时间段终点越近越好

• F：一段时间内，客户交易的次数，次数越多越好

• M：一段时间内，客户的交易度量（如：金额，利润，利润率），越大越好

首先，选定客户群体的每个客户，计算上述三个指标的值。其次，从上述结果可以计算选定客户群体的三个指标的（算术）平均值。

分群方法：

• 对于某个客户，如果其R值高于群体平均R值，则该客户属于R↑，反之属于R↓。

• 对于某个客户，如果其F值高于群体平均F值，则该客户属于F↑，反之属于F↓。

• 对于某个客户，如果其M值高于群体平均M值，则该客户属于M↑，反之属于M↓。

将上述客户装入三维空间，则可以形成如下的分群结构：

并作出如下的业务定义：

• R↑F↑M↑：重要价值客户

• R↑F↑M↓：一般价值客户

• R↑F↓M↑：重要发展客户

• R↑F↓M↓：一般发展客户

• R↓F↑M↑：重要保持客户

• R↓F↑M↓：一般保持客户

• R↓F↓M↑：重要挽留客户

• R↓F↓M↓：一般挽留客户

这里的业务语义非常清晰，可以直接指导业务对不同群体的客户产生影响的营销改善策略。

前情回顾 - PowerBI RFM 1.X

在 2018.4 我们发布了第一个基于 PowerBI 的 RFM 模型。

这里面，我们更多地把每个客户当成了一个点，而为了追求【动态】和【全部可视化】，由于 RFM 的复杂性本身，作为使用者很难直观获益。

虽然我们将各种参数尽量参数化，让模型有很好的扩展性，但问题这对使用者的要求是高的，而且由于同时计算大量客户构成的点，会产生明显的性能问题。

当然，即使有这么多不足，对于 RFM 和 学习 DAX 本身来说，这个案例都是非常重要的。

前情回顾 - PowerBI RFM 2.X

由于 PowerBI 的升级，以及我们对 DAX 的理解的提升，我们又改良得到了 RFM 的 2.X 版，如下：

在这一版，我们力求将 RFM 的动态性做到极致，可以看出，所有的计算全部保持动态，并且首次提出了将 3D 拍成 2D 的思路。

在PowerBI中是没有这种3D空间型可视化的，即使有，也很难标记各种元素，因此，我们做了一个有意义的转换：

• 取RFM中任意两个指标，分别作为X，Y；

• 取RFM中剩余的指标，作为大小；

• 再用元素本身的RFM分类绘制颜色。

这样，就可以绘制散点图，如下：

或：

或：

从视觉上看，似乎挺酷炫的，

但从中发现规律还是挺难的，并且有：

将所有的人展示，会大大影响计算性能。

因此，我们亟需有一种更加优化的模式。

前情回顾 - PowerBI DAX RFM 3.X

于是我们迎来了 RFM 第三代优化。

这代优化是目前为止自己最为满意的一次。它本着这样的设计原则：

• 直接反映业务意义

• 可以从宏观观察宏观规律

• 可以从宏观钻取到微观

• 可以从微观钻取到明细

• 可以从明细发起行动

• 同时兼顾良好的性能

• 同时兼顾零号的动态性

这对 DAX 的写法提出了非常高的要求。

我们依次来展开这些话题来深入研究 RFM 的实操，这也许是你看到的迄今为止最有意思的 RFM。

前情回顾 - 业务流程

对客户的管理对企业至关重要，在 RFM 模型中，可以这样操作：

前情回顾 - 宏观洞察 - 3D 降维打击

我们很难对 3D 图形做出有效反应，所以，我们需要将 3D 图形转化为 2D，我们用下面的方式进行：

• RFM 的 8 个分类作为宏观群体

• X轴 - R - 最近购买 KPI 的打分（0-100）

• Y轴 - F - 购买频率 KPI 的打分（0-100）

• 点的大小 - M - 购买的数额 KPI 的打分（0-100）

于是有：

由于每个点表示一个客户群体，那么 X 和 Y 轴的 R 和 F 就可以用平均值来表示。

这里，我们没有再去让用户做出选择，我们直接内定了显示方式，这里反应了这样的规律：

• 两个同方向的群体（如：R↑F↑）；

• 它们的纵向距离反应了频率的差异；

• 它们的横向距离反应了最近的差异；

• 点的差异反应了销售额或 KPI 大小的差异。

这样就形成了两种有意义的观察模式：

• 当 4 个部分来看，每部分有一个“双星”系统构成；

• 当 8 个部分来看。

这样，就实现了从 3D 到 2D 的降维，同时得到了良好的宏观可观察特性。

前情回顾 - 图与表的切换 - 性能增强

可以看到：

用鼠标点击【图】可以切换成【表】，反之点击【表】可以切换成图。

由于图表并不同时显示，带来了以下好处：

• 实现了先看宏观再看数据的常规分析套路

• 节省了 PowerBI 报告篇幅，提高了信息密度

• 减少了复杂对象的同时加载，提升了性能。

前情回顾 - 保持交互筛选

可以看到：

当点击不同客户分类时，宏观图表，就像一个瞄准镜一样，锁定了该类别。

前情回顾 - 钻取到明细

瞄准锁定一个类别，接着就要下钻了，如下：

前情回顾 - 钻通到原子数据

在对一个客户实施行动前，可以最后看到他的明细，然后再做最后定夺。如下：

这里的【激活客户】可以通过 URL 的方式产生具体的响应。

前情回顾 - 从简单到复杂再到简单

这个案例再次诠释了从简单到复杂再回归简单的过程，这里有着这样的心路历程变化：

• RFM 1.X - 实现 RFM，以点和动态性显示所有客户。

• RFM 2.X - 实现 RFM，将动态性做到极致。

• RFM 3.X - 实现 业务驱动，层次分明。

前情回顾 - 度量值体系

要实现这样的 RFM，需要很高的度量值思维和实现技巧，我们得到最终结果是：

这里的 X 可能是 R，F，M 任何一者，并形成摆列：

以及展开：

里面的写法相当精妙，就不再赘述了。

本文开始

对于 RFM 的实现，在概念和动态实现以及从宏观到微观的筛选和转化为行动，在 RFM 1.x 到 3.x 的实现过程中，各有体现。对于学习和使用 RFM 来说，是足够的。当然，优化是永不止境的。

现在，就和大家一起来优化第三代 RFM 到第四代。

存在的问题

优化，一定是针对问题来进行的，那么，我们来看看在此前的 RFM 在 PowerBI DAX 的实现中，都有什么问题，我们来罗列一下：

1、太装逼了，有没有？

罗叔太装逼了，就是一个 RFM 搞出来这么多花样，看上去很牛X，实际用了就发现，的确挺牛X的。不过，没有一定 DAX 基础的伙伴，似乎抄都抄不对，为了搭建一样的 RFM 计算结构要学习很多，所以，有没有办法改进呢，更加简单呢？答案是：可以的。

2、RFM 在实际应用中分为 8 类，有点晕，有没有？

对于真正的好策略一定是简单的，而把一个群体分成 8 类的行为，还是太复杂，让决策者同时理解 8 种划分以及行动，过于复杂。那么是否可以保持 RFM 的所有划分而又简化呢？这似乎是一个矛盾的需求，但答案是：可以的。

3、RFM 的通用计算一般用平均值，实际存在问题。

平均值，将导致即使所有的客户都是很优质的，在平均值下，仍然会出现好和不好的划分，不合理，那么是否可以改进呢？答案是：可以的。

4、RFM 被划分后再运营得到了新的结果，是否可以对比不同时间的 RFM 优质人群占比来看到运营效果呢？

在传统的 RFM 中，划分是在某一个时刻进行，根本不知道过去，也不顾及将来，因此是相对静止的。我们可以让它全部动态起来吗？答案是：可以的。

5、RFM 的计算逻辑相对复杂，在大量数据面前太慢了，可以做极度优化吗？

做极度优化当然要结合精妙的 DAX 设计，而在完全精通了 DAX 之后，也可以有显著的提升，答案是：可以的。

优化后的性能之强，对于上百万的客户在千万级数据面前计算也不是难事。

同时满足：

• 小白可以套用的模板

• 保留 8 种划分且极度简化

• 优化平均值

• 动态化

• 高性能化

这就是强大的 RFM 4.0 模型。

RFM 4.0 的震撼效果

如果您已经配有 ZebraBI，则可以实现更专业的呈现，如下：

这相当震撼。

RFM 4.0 的精妙设计理念

RFM 4.0 是从简单到复杂，从懂得到透彻，再回归简单的经典案例。

首先，它仅仅采用很少的表和度量值，如下：

几乎适用于任何带有客户，以及销售的业务形态，通用度极高，移植性极强。核心度量值仅有 4 个，前所未有的少。

更重要的是 RFM 4.0 解决了一个核心问题，那就是：RFM 分析的 KPI 到底是什么。

RFM 的 KPI 到底是什么

很多人只是复制粘贴了 RFM 的定义，又或者是学习了 RFM 的某种实现，然而，RFM 的本质是对客户群体分成了 8 类而已。那么，这里面的 KPI 是什么呢？并没有被回答出来。

在 RFM 4.0 中，一种精妙的设计柔和了所有需求而又恰好推出一个绝佳的 KPI，这令人非常兴奋。

我们先来观察一个图，如下，你看到了什么？

如果眼神正常，我们可以看到两件事：

• 四种颜色的比例随着时间相对稳定，紫色占比最大，浅蓝色占比次之。

• 紫色占比下降，橙色占比增长，浅蓝色占比增长。

这就是 RFM 的 KPI，叫做：良性客户成分占比。

对于任何一项业务来说，如果满足：

• 在一定时间范围内

• 客户购买金额达到一定标准

• 客户购买次数达到一定标准

那么，就说这项业务的设计与预期人群达到了有效的匹配。

良性客户成分占比的趋势，反应了一个组织对某种业务的运营能力，如果这个能力强，它的表现一定是提升良性客户成本占比；反之，良性客户就会流失，占比就会变低。

RFM 4.0 为啥没有 R

按照刚刚的解释说明，我们对 RFM KPI 的本质思考在于：在一定时间范围内。

请注意，既然是在一段时间范围内，那么，就不需要 R 了。（请范围体会这个优化，非常合理和巧妙）

RFM 4.0 如何实现按时间的动态趋势化

按照刚刚的解释说明，我们对 RFM KPI 的本质思考在于：在一定时间范围内。

为了产生趋势化，我们可以使用滚动周期的方法，例如：在分析的任何一个立足月，实际分析的时间区间是最近12个月。那么，RFM 的 R 就是 12 个月，而对于每个月份，都滚动分析前 12 个月，那么就实现了：

• 对于每个月，都是固定的一段时间，如：包括本月在内的前12个月。

• 每个月都是滚动前12个月，整体则形成了趋势。

RFM 4.0 的 KPI 分析就是良性客户占比的趋势

由于刚刚的技巧消减了 R，那么只需要考虑 F 和 M 两个要素，这两个要素反应的是：购买次数和购买金额。如果这两者同时达标，就说某个客户是良性的，因为他可以为企业贡献价值，且重复贡献体现了认可度。

如果我们承认客户决定了业务的成败，那么良性客户占比的趋势就是企业去运营的重要方向。

根据上述描述，我们可以快速计算出良性客户占比的趋势。

例如：

表示实际 AC 的黑色实线整体超过了一年前表示 PY 的灰色实线，而每个月都是滚动12个月的话，那么可以看出，这个企业的运营效果是持续走强的。其中表示目标 PL 的虚线为：27% 作为良性客户比例的参考线，那么在 2019 年 4 月后开始稳定地超过这个目标了，实现了良性客户占比达到 27% 以上。

RFM 4.0 全部精妙计算配合

RFM 4.0 的全部精妙配合罗列如下：

• 将 RFM 的 R 消减掉，只留 F 和 M。

• 由于分析方案的优化，以及对 RFM KPI 的定义，实现滚动 12 个月。（不同行业可以另设参数）

• 平均值改为魔法数字，销售额大小和次数标准由专家定义。

• 由于每个月的滚动，实则考虑了 R

• 由于计算简化以及标准常数化给性能带来了极度增强

更让人拍案叫绝的是，钻取到明细，如下：

对于明细的显示，我们还是只用上述四个度量值就知道谁是什么身份，也就是说，我们为了标记某人在某月是什么身份的客户，根本不需要另写计算逻辑，一且已经就绪。接着只要导出数据，打电话即可。

RFM 4.0 的实际应用

RFM 4.0 的分析路数如下：

第一步，导入客户数据，订单数据即可。

第二步，刷新。

第三步，没了。

开始观察，先观察结果，如下：

从这张图，我们可以看到宏观 RFM KPI 的表现，如果超过一个既定值，如：25%，那么就认为是达标，以及它的趋势如果是增长的，就视为好。

可以进一步看到从不同行业或者不同经理等维度看到不同的结果，这就知道该重点关注哪里。

需要揭示细节就可以钻取到明细，如下：

好了，一目了然，接下来，打电话发短信都可以去有的放矢的激活客户。

总结

感谢 Terry 提供深度业务帮助，共同优化出了这么不讲武德的模型。RFM 4.0 太强大了，只需要两张表：订单和客户信息，就可以基于海量数据立刻计算。是客户运营转化，学习 PowerBI DAX 的必备模板。有了此 RFM，直接用于实际，甚至连 PowerBI 都不用会，直接套数据。

在订阅了BI佐罗讲授的《BI进行时》课程区，除了可以下载本文案例，还可以观看视频讲解。

本月即将更新的《BI真经》系列，最后抢购 机会。

2021.1 《PowerBI VIP》 上海 线下 仅剩 2 个席位。
2021.1 《Thinking in DAX》上海 线下 报名，像本文一样震撼你对 DAX 的理解。

让数据真正成为你的力量

Create value through simple and easy with fun by PowerBI

Excel BI | DAX Pro | DAX 权威指南 | 线下VIP学习

扫码与PBI精英一起学习，验证码：data2020

PowerBI MVP 带你正确而高效地学习 PowerBI
点击“阅读原文”，即刻开始

↙