利用 Power BI 实现 RFM 分析-技术圈

本节给大家介绍的是RFM模型，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，通过一个客户的近期购买行为、购买的总体频率以及消费额度三个指标来描述该客户的价值状况。其中，用R（Recency）表示交易间隔、F（Frequency）表示交易频度、M（Monetary）表示交易金额组成，具体的含义如下表格所示：

首先，计算R、F和M的分值，计算方法是在各自的维度上分为高低两类，分值高记为2，分值低记为1，R、F和M三个指标两两组合，可以得出8个不同的RFM值，按照实际情况分为8大客户群体，具体分类规则如下所示：

数据获取

本节所使用的数据集

链接：https://pan.baidu.com/s/1EJdJ6wBzXWXD5kASEJHnPA

提取码：xo6x

下面一起来学习

数据预处理

本节所使用到的数据是.CSV数据，打开Power BI软件，点击获取数据，从文本中获取本节所使用的数据。

本文所使用的数据集一共包含七个字段和5500条样本，这些字段分别是用户id，用户出生日期，下单时间，订单ID、支付方式、支付金额和是否享受折扣，点击转化数据进行数据预处理。

右键用户id字段删除重复值，这里需要用户id字段标记唯一。

右键订单日期列，在数据类型中更改数据类型为日期。

数据清洗后，在主页里点击关闭并应用。

计算R、F、M值

点击数据页面，将订单日期的日期格式自定义为(yyyy/mm/dd)的格式。

右键选择新建列，写入DAX函数，计算最后一个交易日期。

最后一个交易日期=MAXX(FILTER('Orders',EARLIER('Orders'[Uid])='Orders'[Uid]),'Orders'[Order_Date])

将最后一个交易日期的日期格式自定义为(yyyy/mm/dd)的格式。

同样，新建一列，计算R的值，并将其转化为整数，这里设置当前的交易日期为2018/11/11，以此来计算交易的间隔天数。

R = DATE(2018,11,11)-'Orders'[最后一个交易日期].[Date]

点击报表，选择新建度量值，计算每一单的交易频次。

F = DISTINCTCOUNT('Orders'[Order_Id])

同理计算每一单的交易金额。

M = SUM('Orders'[Pay_Amt])

计算R、F、M综合分值

计算完R、F、M的值后，需要将他们各自按照平均值划分为高、低两类，高于平均值的赋值为2，低于平均值的赋值为1，在建模中选择新建表，用函数将用户ID、R、F、M的值组成一张新表。

RFM = SUMMARIZE('Orders','Orders'[Uid],'Orders'[R],"F",[F],"M",[M])

新建列，使用AVERAGE函数，分别计算R、F、M的平均值。

AVG_R = AVERAGE(RFM[R])

AVG_F = AVERAGE(RFM[F])

AVG_M = AVERAGE(RFM[M])

算出R、F、M的得分，其中当R值小于平均值时，赋值为2，大于平均值时，赋值为1；F值大于平均值时，赋值为2，小于平均值时，赋值为1；M值大于平均值时，赋值为2，小于平均值时，赋值为1；

R得分 = IF('RFM'[R]<=RFM[AVG_R],2,1)

F得分 = IF('RFM'[F]>=RFM[AVG_F],2,1)

M得分 = IF('RFM'[M]>=RFM[AVG_M],2,1)

合并RFM值，使用连接符连接起来。

RFM = 'RFM'[R得分]&'RFM'[F得分]&'RFM'[M得分]

RFM会员分组

依据前文提到的分组依据，这里按照RFM的综合分值进行分组，使用SWITCH函数将其分为8类。

会员分组 = SWITCH( 'RFM'[RFM],                   "111","流失会员",                   "112","重要挽留会员",                   "121","一般保持会员",                   "122","重要唤回会员",                   "211","新会员",                   "212","重要深耕会员",                   "221","潜力会员",                   "222","重要价值会员")