数据操作案例：RFM 分析

打开官方文档：https://help.fanruan.com/finebi/doc-view-1727.html

在这里搜索"RFM分析"，然后点击搜索。

之后就会跳转到这个页面。可以跟着做一做。

介绍

RFM分析是一个比较经典的分析模型，从三个指标来分析数据，通过结果给客户打标签。下面部分，概念、解决的问题，以及预期效果，均从官方文档里的RMF分析引入过来。

概念

RFM 分析是美国数据库营销研究所提出的一种简单实用客户分析方法，发现客户数据中有三个神奇的要素：

• 最近一次消费时间（R）：客户距离最近的一次采购时间的间隔。

• 最近一段时间内消费频次（F）：指客户在限定的期间内所购买的次数。

• 最近一段时间内消费金额（M）:客户的消费能力，通常以客户单次的平均消费金额作为衡量指标。

这三个要素构成了数据分析最好的指标。

解决的问题

RFM 分析就是通过三个关键指标对客户进行观察和分类，判断每类细分用户的价值。针对不同的特征的客户进行相应的营销策略。

预期效果

RFM 分析后，将客户划分为了不同分类，数据分析效果如下图所示：

数据清洗

数据获取

接下来我们来实现上面的效果。首先是数据获取。鼠标往下滚一滚，可以看到这里有一个压缩包，把它下载下来，解压，一会在新建分析主题的时候就可以把里面的数据全部上传上去。

上传数据

新建分析主题，命名为RFM分析，上传刚刚下载的数据，点击确定。

分析过滤

注意，因为我们最重要分析的只有这三个指标，一个是间隔，一个是次数，还有一个是金额。跟这个内容不搭边的就可以给它去掉。

首先看一下数据，这里有个 DATE，根据日期我们可以计算当前的购买时间间隔，这个是很有必要的。第二个 COMPANY，表示的是地区，地区是不需要的，我们要的是给客户打标签，所以这个字段也是不需要的。第三个，CUSTOMERNAME，客户的名字，我们需要保留。第四个，CUSTOMERTYPE，客户类型，这个也不需要，既不是频率，也不是间隔，也不是金额，所以这个字段也不需要。后面 AMOUNT，这个是购买的商品数量，所以这个也不需要。所以最后只保留DATE、CUSTOMERNAME，以及MONEY这三个字段就可以了。

我们找到字段设置，除了那三个字段，其他的全部取消勾选，然后点击确定。

这样就可以了。

计算字段

首先要搞清楚，这三个指标分别计算的是什么。

R：客户距离最近的一次采购时间的间隔

F：客户在限定的期间内所购买的次数

M：客户单次的平均消费金额

目前，有了这个数据之后，可以对它进行分组。现在，我们希望把客户作为维度来分析，比如这个客户最近一次的购买时间是什么时候，以及客户当前的购买次数是多少次。

分组汇总

F：客户在限定的期间内所购买的次数

现在我们有所有的数据，而且每一个客户是有多条记录的。

每一次记录其实就是购买次数。比如这个沈阳泓道食品有限公司广州线的购买次数就是 342。

所以接下来我们要对它进行分组汇总。

我们要看的是每个客户，所以要把客户名称放在分组里，这样同一个客户，它的数据就不会重复了。这是第一个分组的字段。

汇总的字段。首先，要知道当前客户的购买次数，购买次数实际就是用户名称的统计数量，所以在汇总的地方拖入的依然是客户名字。

拖入进去之后默认是去重计数，点击字段右侧倒三角，改为记录个数就可以。

因为这个数据是一整个购买记录，只要有一条数据就表示一次购买。所以这里先对客户姓名记录个数。

客户消费金额

接下来，是要去计算单次的平均消费金额。所以，金额拖入到汇总里面。

先把总金额拿过来，之后就可以计算单次客户平均消费金额。注意，在这里并不是单次平均，而是求和，后面会将单次客户平均消费金额计算出来。

R：客户距离最近的一次采购时间的间隔

我们还要拿到最近一次购买的时间间隔。把 DATE 拖进来，拖进来之后是要它最晚的时间。

除了最晚时间，其他的都不需要，因为分析的就是最近一次购买的时间间隔。

M：客户单次的平均消费金额

现在这是三个指标了，初次之外，再拖入一个MONEY，把这个MONEY改为平均值。

这就是平均单次的消费金额。

现在这些是我们目前处理好的。

更改字段名称

上述处理全部完成之后，可以将字段改个名字，方便后续进行区分。

首先，"CUSTOMERNAME" -> "客户名称"。

"CUSTOMERNAME1" -> "消费次数"。

"MONEY" -> "用户消费总金额"。

"DATE" -> "最近一次消费时间"。

"MONEY1" -> "平均单次消费金额"。

最后，全部字段的整体情况如下。这就是源数据通过处理得到的内容。

判定规则

接下来应该怎么做？我们回到文档里面。文档地址：https://help.fanruan.com/finebi/doc-view-703.html?source=4

用鼠标滚轮滚动，我们去看它最后。它在最后是需要给客户打上标签的。而且它在打标签的时候是根据数字组合来判断的。

它的数字只有 1 和 0。鼠标滚轮继续滚一下，找到它的参考表。在 2.5 划分客户类型这里。我们可以看到这个表格。这是打上标记的规则。

解释一下前两行：意思是，如果是 111，就是重要价值客户，如果是 101，就是重要发展客户。表格的其他行内容以此类推。其中，111、101 等是向量。我们需要根据向量值给客户打上标签。

但是现在有问题。我们现在计算的这些内容，都是数值，后续需要将这些内容转换为向量 0 或 1。接下来需要设定，什么情况下转换为 0，什么情况下转换为 1。这个时候就需要一个参考的依据。思路：转换的时候应该要根据某个规则来确定到底转换后是 1 还是 0。

比如我们计算的消费金额、次数，时间间隔，这些数值肯定都不是 0/1，但是我们最终是要把它转换成 0/1 的。这个时候就需要某一个规则，这个规则如下：

规则：二分法

就是把我们的内容分为两种情况，要么是 0，要么是 1。这是分的结果。依据是什么？

我们拿单个客户的指标，和所有客户的平均指标来做对比。比如，我们拿到了所有客户的平均购买次数是 100 次，而这个客户总计购买次数是 80 次，该客户的 80 次明显 < 客户的平均购买次数 100 次，此时应该标记 1 还是标记为 0？这个时候就要参考一下表格了。

我们来看这张表，如果三个都是 1，就表示是重要价值客户，而三个都是 0，就表示都是一般挽留客户。说明一个问题，1 就是积极的， 0 就是消极的。正向和负向。

通过观察划分规则，发现 1 表示正向，0 表示负向。所以，当所有客户的平均购买次数是 100 次，但是这个客户只购买了 80 次，这个时候要把该客户的 R 标记为 0。购买次数肯定是越高越好。综上，我们得出以下判定规则。

R 指标判定规则

客户距离最近的一次采购时间的间隔。

间隔肯定是越短越好。作为平台一定是希望客户购买时间间隔短一些，肯定是值越小越好。所以小于总体平均就是 1，大于就是 0。

F 指标判定规则

限定的期间内所购买的次数。

次数是越多越好。大于平均购买次数就是 1，小于平均购买次数就是 0。

M 指标判定规则

客户单次的平均消费金额。

肯定是越大越好，所以跟 F 一样。大于总体平均消费金额就是 1，小于总体平均消费金额就是 0。

指标计算

最近一次消费时间距今天数

之前我们已经处理完成了数据，而且也计算出了一些内容。回到 finebi 当中。有了单次平均的消费金额，还可以计算一下时间间隔。已经知道了最近一次的消费时间，距离当前的时间间隔是多少呢？可以采用获取时间差的方法。

起个名字，叫"最近一次消费时间距今天数"，就是最近一次消费距离当前过了多少天。用当前时间减去这一个字段的值就可以了，单位改成天。点击确定。这一列就生成好啦。

现在每个客户的消费时间距离当前的时间就已经计算完毕了。

用户平均消费金额

平均消费金额 = 总金额/总次数

现在，还可以计算一下所有用户他们的消费总金额。因为是拿单个客户的，和所有客户平均的来比，所以要先求出总的消费金额。使用新增汇总列，列名命名为"所有用户消费的总金额"。等于用户的消费金额，求一个和就行。点击确定。

然后得去计算一下所有用户他们的平均消费金额。所以还得知道左右用户他们的总消费次数。再去用金额除以次数就可以得到总体平均的消费金额了。先计算一下消费总次数，点击新增汇总列，列名命名为"消费总次数"。对消费次数进行求和的操作，点击确定。

现在这俩都有了，那么所有用户他们的平均消费金额就可以求出来了。点击新增公式列，列名命名为"用户平均消费金额"，​所有用户消费的总金额​/​消费总次数​，点击确定。

这就是用户的平均消费金额了。

用户平均消费次数

接下来我们要去计算用户的平均消费次数，因为现在拿到的是它的总次数，现在计算一下平均消费次数。点击新增汇总列，命名为"平均消费频次"。对这个消费次数求平均值，点击确定。

这样，用户的平均消费次数就有了。

平均间隔天数

之前，我们已经拿到了最近一次购买相隔的天数，还要计算一下平均的天数。点击新增汇总列，列名命名为"最近一次消费距今天平均数"，选择最近一次消费时间距今天数，汇总方式选择平均。

点击确定之后，平均间隔天数就生成出来了。

所有用户的这些指标我们都求出来了，求出来之后，要拿单个用户的指标和所有的平均的指标进行比较就可以了。

指标评价

次均消费金额评价（M）

最终是要把它变成 0/1，我们要做一个判断。点击新增公式列，列名命名为"次均消费金额评价"。

公式为：IF(​平均单次消费金额​ > ​用户平均消费金额​, 1, 0)，如果平均单次消费金额大于用户平均消费金额，就标记为 1，否则标记为 0。

这里的 0 和 1 可以带引号也可以不带，不带的话就是整数，带就是字符串。本次不带引号了。后面变成 111，000 这些，要用到字符串的拼接。

这是第一个，次均消费金额评价。

消费次数评价（F）

点击新增公式列，列名命名为"消费次数评价"。次数肯定是越多越好，如果当前的消费次数 > 平均消费频次，就标记为 1，否则标记为 0。公式为：IF(​消费次数​>​平均消费频次​, 1, 0)，点击确定。

这是消费次数评价。还有一个，间隔天数。

最近一次消费距今天数评价（R）

间隔时间要越短越好。点击新增汇总列，列名命名为："最近一次消费距今天数评价"。如果最近一次消费距今天数 < 最近一次消费距今天平均数，就是 1 ，否则就是 0，公式为：IF(​最近一次消费时间距今天数​ < ​最近一次消费距今天平均数​, 1, 0)。点击确定。

组合成向量（RFM）

现在，这三个指标都有了对应的评价，现在要把这三列的评价变成向量的形式。现在要把它们仨组合起来。不能直接用加号，加号就直接计算了。要用新增公式列。点击新增公式列。

命名为"RFM"，使用 CONCATENATE 函数，按照 RFM 的顺序来。公式为：CONCATENATE(​最近一次消费距今天数评价​, ​消费次数评价​, ​次均消费金额评价​)，点击确定。

这个就是组合之后的向量。有了这个向量之后就可以给客户打上标签。

判定客户类型

用新增赋值列，列名命名为"客户类型"，按照 RFM 列来赋值。赋值的时候参考这个表。

按照表分组之后点击确定。

之后就成功为客户打上了标签。

前面数据已经处理完毕，最后就是可视化。可视化的过程参照官方文档操作即可。

网址：https://help.fanruan.com/finebi/doc-view-703.html?source=4