新手小白学习PowerBI第四弹--------RFM模型建模以及饼图、分解树、树状图、增长趋势图的可视化

[0 前言](#0 前言)
[1 目标](#1 目标)
[2 基本概念](#2 基本概念)
- [2.1 RFM模型是什么](#2.1 RFM模型是什么)
- [2.2 RFM模型作用](#2.2 RFM模型作用)
- [2.3 典型的使用案例](#2.3 典型的使用案例)
- [2.4 RFM模型如何起作用](#2.4 RFM模型如何起作用)
- - [2.4.1 提取R、F、M三个指标](#2.4.1 提取R、F、M三个指标)
  - [2.4.2 对用户分级](#2.4.2 对用户分级)
  - [2.4.3 联合 R+F+M 得到客户分群](#2.4.3 联合 R+F+M 得到客户分群)
  - [2.4.4 可视化（可选）](#2.4.4 可视化（可选）)
[3 实操](#3 实操)
- [3.1 新建 Customer 表（用户表）](#3.1 新建 Customer 表（用户表）)
- - [3.1.1 用到的DAX表达式](#3.1.1 用到的DAX表达式)
  - - [FILTE(）](#FILTE(）)
    - RANKX()
    - CEILING()
    - TRUE-SWITCH()
  - [3.1.2 新建 R_Value 列](#3.1.2 新建 R_Value 列)
  - [3.1.3 新建 R_Rank 列](#3.1.3 新建 R_Rank 列)
  - [3.1.4 新建 R_Score 列](#3.1.4 新建 R_Score 列)
  - [3.1.5 新建 F_Value 列](#3.1.5 新建 F_Value 列)
  - [3.1.6 新建 F_Rank 列](#3.1.6 新建 F_Rank 列)
  - [3.1.7 新建 F_Score 列](#3.1.7 新建 F_Score 列)
  - [3.1.8 新建 M_Value 列](#3.1.8 新建 M_Value 列)
  - [3.1.9 新建 M_Rank 列](#3.1.9 新建 M_Rank 列)
  - [3.1.10 新建 M_Score 列](#3.1.10 新建 M_Score 列)
  - [3.1.11 新建 RFM_Score 列](#3.1.11 新建 RFM_Score 列)
  - [3.1.12 新建 CustomerSegment 列](#3.1.12 新建 CustomerSegment 列)
  - [3.1.13 完整 Customer 表](#3.1.13 完整 Customer 表)
- [3.2 Customer 表与 Orders 表建立关系](#3.2 Customer 表与 Orders 表建立关系)
- [3.3 可视化](#3.3 可视化)
- - [3.3.1 用户分群饼状图](#3.3.1 用户分群饼状图)
  - [3.3.2 用户分群分解树](#3.3.2 用户分群分解树)
  - [3.3.3 用户分群树状图](#3.3.3 用户分群树状图)
  - [3.3.4 客户增长趋势图](#3.3.4 客户增长趋势图)
[4 后记](#4 后记)

0 前言

恭喜宿主完成第一关的任务，接下来来到第二关吧。实话实说，咱这游戏太有技术含量了。

第二关您获得的宝藏是对用户进行分群，获得高价值用户、潜在用户、流动风险用户，有了这些用户分群，我们可以对用户采取更好地营销策略，让我们和用户在金钱和服务上实现一个双赢。

附带大礼包：饼图、分解树、树状图、增长趋势图的可视化。

那让我们开始第二关的旅程叭~

1 目标

【页面 2：客户分析（RFM 模型）】

最近消费（Recency）

购买频率（Frequency）

消费金额（Monetary）

客户分群（高价值、保持、流失风险、潜力客户）

可视化：客户增长趋势图、分解树、树状图、饼图

2 基本概念

既然要使用RFM模型进行客户分析，我们先来了解一下什么是RFM模型？有什么作用，如何起作用。

2.1 RFM模型是什么

RFM模型是一种评估用户价值和用户行为的模型，常常用于数据分析和PowerBI BI项目。适用于电子商务、会员管理、客户价值分析等场合。

**R（Recency）**最近一次购买、消费距今天；**F（Frequency）**消费频率；**M（Monetary）**消费金额。

2.2 RFM模型作用

知道一个东西有什么作用，我们才能清晰地知道在什么场景发挥它最大的优势，这一点是很重要的。

谁是最有价值的客户？

哪些客户正在流失？

哪些客户值得重点维护或召回？

如何制定精准营销策略？

2.3 典型的使用案例

精准营销（不同客户群发不同活动）

客户生命周期分析

VIP客户识别

流失客户预测

提高复购率和客户沾性

2.4 RFM模型如何起作用

2.4.1 提取R、F、M三个指标

R（Recency）：最近一次购买、消费距今天

bash 复制代码

R = 今天日期 - 客户最近一次购买日期
数值越小，客户越活跃

F（Frequency）：消费频率

bash 复制代码

F = 某时间段客户消费次数

M（Monetary）：消费金额

bash 复制代码

M = 某时间段客户总消费金额

2.4.2 对用户分级

根据R、F、M分别给客户评分（五分制或者十分制），使用百分位分组的方法，如P20，P40，P60，P80。高=5，低=1。

百分位数的五分制就是将100分成五段，第一段是0-20；第二段是21-40；第三段是41-60；第四段是61-80；第五段是81-100，落在那一段就给它赋一个分，这样就很好理解了。

举个例子：

R = 5表示最近刚买，非常活跃

F = 5表示购买频繁

M = 5表示购买金额高、贡献大

2.4.3 联合 R+F+M 得到客户分群

R	F	M	客户价值
5	5	5	最佳用户 Best Customer
5	1	1	新客户 New Customer
1	5	5	忠诚但可能将流失
1	1	1	低价值客户

2.4.4 可视化（可选）

R/F/M三个KPI卡片
R vs F散点图（气泡大小表示M）
9 分群或者 16 分群热力图
客户价值分类条形图
客户增长趋势图

在我们的项目中会进行几个可视化图片，其余的感兴趣的话评论区留言，我来实操实操，对了我感觉 9 分群和 16 分群还挺有意思的，对用户分群会更加详细一些些。

3 实操

3.1 新建 Customer 表（用户表）

既然我们要对用户分群，建立一个用户表是非常方便我们在用户维度进行操作的。

后面操作的时候发现表格名字写错了，后来修改过来啦，这都是小问题哈，方面修改，但操作过程中，宝贝们注意一下哟~

bash 复制代码

Customer = DISTINCT(Orders[Customer ID])

这里的DISTINCT表示唯一的，可能一个用户有多个订单，但我们只唯一的要一个数量作为主键，在Customer表格中标识用户

我们的目标是建立RFM模型就需要对各个内容新建列，方面后面的可视化。

3.1.1 用到的DAX表达式

FILTE(）

FILTER() 过滤器，通过 FILTER，PBI 只展示符合条件的数据。

RANKX()

RANKX()用来对表中的每一个值，按照某个指标做排名，ASC就是从低到高，DESC就是从高到低。

RANKX()语法：

bash 复制代码

RANKX(
    <table>,
    <expression>,
    [<value>],
    [<order>],
    [<ties>]
)

table：排名的对象集合，如 ALL(Customer)

expression：用来排名的度量，如 Total Sales

value：可选，用于特殊情况，一般不用

order：排序方式：DESC（默认）=最大排第一，ASC = 最小排第一

ties：同分时的规则：SKIP 或 DENSE

其中[]表示可选，可填写可不填写，但如果不填写，就要打个,隔开哟。

table ，排名的对象集合，这里要十分注意，如 ALL(Customer)，这里的 ALL 就移除了所有的过滤条件，是对所有的Customer进行排名。

下面详细介绍一下SKIP 或 DENSE 这两个参数

产品	销售额
A	100
B	90
C	90

SKIP（跳过）：排名结果：1，2， 2， 4
可以看出都是 90 分，出现两个 2，把 3 跳过了。
DENSE（密集）：排名结果：1，2， 2， 3
不会跳过数字（推荐使用）

常用情景：

RMF 分群→ DENSE

Top N 产品分析→ DENSE

需要真实排名（比赛排名）→ SKIP

CEILING()

CEILING()向上取整数，比如 4.5 我们把他取整为 5

TRUE-SWITCH()

bash 复制代码

SWITCH(
    TRUE(),
    condition1, result1,
    condition2, result2,
    condition3, result3,
    default
)

有了这个 TRUE()，那么能够确保每一个条件都执行，他的执行逻辑是从上到下的顺序，满足哪一个就立刻返回哪一个值，都不满足就执行 default 语句。

3.1.2 新建 R_Value 列

这里给出 R_Value 的 DAX 代码

bash 复制代码

R_Value = 
VAR LastOrderDate =
    CALCULATE(
        MAX(Orders[Order Date]),
        FILTER(Orders, Orders[Customer ID] = Customer[Customer ID])
    )
RETURN
DATEDIFF(LastOrderDate, TODAY(), DAY)

3.1.3 新建 R_Rank 列

这里给出 R_Rank 的 DAX 代码

bash 复制代码

R_Rank = 
RANKX(
    ALL(Customer),
    Customer[R_Value],
    ,
    ASC,      -- 数值越小越好
    Dense
)

3.1.4 新建 R_Score 列

这里给出 R_Score 的 DAX 代码

bash 复制代码

R_Score = 
VAR totalCustomers = COUNTROWS(ALL(Customer))
VAR r_rank = Customer[R_Rank]
VAR quintile =
    CEILING( r_rank * 5.0 / totalCustomers, 1 )  -- 1~5，1=最好
RETURN
5 - quintile + 1   -- 反转：1变5，2变4...

这段代码的作用，是将 R_Rank 映射到 1-5 当中

COUNTROWS 表示计数，总共有多少行

RETURN 5 - quintile + 1：这里是为了反转分数，quintile = 1，那么score = 5，因为 Recency 越小越好，表示最近刚消费。

这里 r_rank 为什么要 ×5 呢，是因为，我们需要把这些数据放到五个区间里面，五分制。
如果 4 分群，就 ×4 ；16分群则 ×16 。

3.1.5 新建 F_Value 列

这里给出 F_Value 的 DAX 代码

bash 复制代码

F_Value = 
CALCULATE(
    COUNTROWS(Orders),
    FILTER(Orders, Orders[Customer ID] = Customer[Customer ID])
)

3.1.6 新建 F_Rank 列

这里给出 F_Rank 的 DAX 代码

bash 复制代码

F_Rank = 
RANKX(
    ALL(Customer),
    Customer[F_Value],
    ,
    DESC,      -- 越大越好
    Dense
)

3.1.7 新建 F_Score 列

这里给出 F_Score 的 DAX 代码

bash 复制代码

F_Score = 
VAR totalCustomers = COUNTROWS(ALL(Customer))
VAR f_rank = Customer[F_Rank]
RETURN CEILING(f_rank * 5.0 / totalCustomers, 1)

3.1.8 新建 M_Value 列

这里给出 M_Value 的 DAX 代码

bash 复制代码

M_Value = 
CALCULATE(
    SUM(Orders[Sales]),
    FILTER(Orders, Orders[Customer ID] = Customer[Customer ID])
)

3.1.9 新建 M_Rank 列

这里给出 M_Rank 的 DAX 代码

bash 复制代码

M_Rank = 
RANKX(
    ALL(Customer),
    Customer[M_Value],
    ,
    DESC,
    Dense
)

3.1.10 新建 M_Score 列

这里给出 M_Score 的 DAX 代码

bash 复制代码

M_Score = 
VAR totalCustomers = COUNTROWS(ALL(Customer))
VAR m_rank = Customer[M_Rank]
RETURN CEILING(m_rank * 5.0 / totalCustomers, 1)

3.1.11 新建 RFM_Score 列

以上所有的步骤，都是为了计算 RFM_Score 。

这里给出 RFM_Score 的 DAX 代码

bash 复制代码

RFM_Score = 
Customer[R_Score] + Customer[F_Score] + Customer[M_Score]

3.1.12 新建 CustomerSegment 列

得到了 RFM_Score ，我们就需要根据分数，对用户进行分群。CustomerSegment 就是用户分群的意思。

这里给了一个分群指标，在实际案例中，根据实际项目指标进行分群指标设置。

bash 复制代码

CustomerSegment = 
VAR score = Customer[RFM_Score]
RETURN
SWITCH(
    TRUE(),
    score >= 13, "高价值客户",
    score >= 10, "保持客户",
    score >= 7,  "潜力客户",
    "流失风险客户"
)

RFM_Score 分数 >= 13，我们将其定义为高价值客户；10 <= RFM_Score 分数 < 13，我们将其定义为保持客户；7 <= RFM_Score 分数 < 10，我们将其定义为潜力客户；1 <= RFM_Score 分数 < 7，我们将其定义为流失风险客户；

3.1.13 完整 Customer 表

以上列全部创建完后的完整 Customer 表，见下图。

3.2 Customer 表与 Orders 表建立关系

这里是重点，表与表之间只有建立关系，才能多表联合作业，只有单个的表操作简单，但在实际生产中作用不大。

这里需要再一次注意的点，关系的方向和值要正确，这一点很重要。

一个 Customer 表中的 Customer ID 对应 Orders 表格中的多个 Orders ID，多个 Orders 表格中的 Orders ID 对应 Customer 表中的一个 Customer ID。

举例子：结合实际情况来理解的话，就是一个用户会有一个或者多个订单；一个或多个订单属于一个人。

成功建立关系，如下图所示，Customer 表与 Orders 表之间有一条连线，且数值是1对多，从这里也可以确认关系是否正确。

3.3 可视化

可视化是为了直观明了的看数据，为我们后续经营方式决策打了坚实的基础。

3.3.1 用户分群饼状图

操作方法很简单

3.3.2 用户分群分解树

这个分解树就稍稍有一些不同，要注意点击 + 并且选择用 CustomerSegment 展开。

3.3.3 用户分群树状图

3.3.4 客户增长趋势图

这里有点需要操作的东西，既然要用到用户增长，我们就需要知道谁是新用户。

这里给出 FirstPurchaseDate （第一次购买日期）的DAX代码

bash 复制代码

FirstPurchaseDate = 
CALCULATE(
    MIN(Orders[Order Date]),
    FILTER(
        Orders,
        Orders[Customer ID] = Customer[Customer ID]
    )
)

这里给出 New Customers （新用户）度量值的DAX代码

bash 复制代码

New Customers = 
VAR SelectedMonth =
    MAX(DateTable[Date])
RETURN
CALCULATE(
    DISTINCTCOUNT(Customer[Customer ID]),
    FILTER(
        Customer,
        Customer[FirstPurchaseDate] >= DATE(YEAR(SelectedMonth), MONTH(SelectedMonth), 1)
            && Customer[FirstPurchaseDate] < EOMONTH(SelectedMonth, 0) + 1
    )
)

大家还可以自己尝试一下将x轴换成 年、月、日、季度 分开的这样子。

记得保存！！！
记得保存！！
记得保存！

okay！到这里就恭喜各位宝贝们，掌握了RFM模型、在PBI上实现了这个模型以及可视化，哇塞，你简直就是最棒的宝贝~

4 后记

如果有用的话，记得给我点赞点赞~关注我也行啊，好久没涨粉了，oh my god！

还有两个页面展示，咱们就把PBI数据分析项目实战完成了，胜利指日可待啊。

要和室友去广州潮汕履行，不得不说大家订酒店的速度超出了我的预期，酒店价格微微上涨，我们以迅雷不及掩耳之势火速预定，已经成功了。

干任何事情都能学到东西，好的事情要干，不好的事情千万不干，会对我们的精神灵魂造成污染，有些书啊视频啊，能不看还是别看，潜移默化会影响我们。

订酒店要注意距离景点的位置、是不是临街吵不吵闹、酒店干不干净，酒店面积大不大，像我们两个人，至少要20平方米，不然很不方便，还有房间有没有窗户，这都是需要考虑的，这就要多看看评论，小red书等等，多方收集信息。

我这方面能力真心不错，之前去南昌旅游，酒店我定的，获得室友好评！！！我简直是最棒的小羊。

高中一个男同学约我爬山，看来要放他鸽子了，对不起啰~

如果有用的话，记得给我点赞点赞~

新手小白学习PowerBI第四弹--------RFM模型建模以及饼图、分解树、树状图、增长趋势图的可视化

目录

0 前言

1 目标

2 基本概念

2.1 RFM模型是什么

2.2 RFM模型作用

2.3 典型的使用案例

2.4 RFM模型如何起作用

2.4.1 提取R、F、M三个指标

2.4.2 对用户分级

2.4.3 联合 R+F+M 得到客户分群

2.4.4 可视化（可选）

3 实操

3.1 新建 Customer 表（用户表）

3.1.1 用到的DAX表达式

FILTE(）

RANKX()

CEILING()

TRUE-SWITCH()

3.1.2 新建 R_Value 列

3.1.3 新建 R_Rank 列

3.1.4 新建 R_Score 列

3.1.5 新建 F_Value 列

3.1.6 新建 F_Rank 列

3.1.7 新建 F_Score 列

3.1.8 新建 M_Value 列

3.1.9 新建 M_Rank 列

3.1.10 新建 M_Score 列

3.1.11 新建 RFM_Score 列

3.1.12 新建 CustomerSegment 列

3.1.13 完整 Customer 表

3.2 Customer 表与 Orders 表建立关系

3.3 可视化

3.3.1 用户分群饼状图

3.3.2 用户分群分解树

3.3.3 用户分群树状图

3.3.4 客户增长趋势图

4 后记