1. 概述

很多直接面向消费者的企业,也就是我们常说的To C的企业通常都会建立自己的会员体系,并在线上和线下积累了大量的会员数据。但如何才能更好的利用这些数据以及如何识别哪些是高价值的会员,这是每个企业都在不断探索的话题。

本文将为您介绍一个运营/电商经常用到的分析模型——RFM模型。这是一种经典到头皮发麻的用户分类、价值分析模型。先来解释下这几个指标的含义:
RFM模型 - 图1

  • R,Rencency,即每个用户有多少天没回购了,可以理解为最近一次购买到现在隔了多少天。
  • F,Frequency,是每个用户购买了多少次。
  • M,Monetary,代表每个用户平均购买金额,这里也可以是累计购买金额。

通过RFM可以对用户价值做出合理的预估,定位精准用户运营。这也是为什么在网上购物后,经常会收到商家的推送短信,因为你极有可能是商家的「重要深耕用户」。嗯,提醒你该剁手啦~

2. 案例演示

这里有一份经过数据脱敏的销售数据表(本质上还是超市数据),包括买家昵称、订单日期、订单状态、销售额、购买数量这些字段,需要先将它导入系统中。

2.1 构建计算字段


导入数据完成之后,接下来是来构建RFM指标。打开报告编辑页面,新建计算维度。

(1)R值

即每个用户最后一次购买时间距今多少天。如果用户只下单过一次,用现在的日期减去订单日期即可;若是用户多次下单,需先筛选出这个用户最后一次付款的时间,再用它减去今天,就得到R值了。

用户最后交易日期={ FIXED [买家昵称]: MAX ([订单时间]) }
R值=DATEDIFF ("DAY",[用户最后交易日期],TODAY())

RFM模型 - 图2

(2)F值

即每个用户累计购买频次。把每个用户的下单数做一个计数统计即可得到F值。
RFM模型 - 图3

(3)M值

即每个用户累计购买金额。对每个用户的购买金额进行汇总就能得到M值了。
RFM模型 - 图4

2.2 用户分组


RFM经典的分层会按照R/F/M每一项指标是否高于平均值,把用户划分为8类,具体如下:
RFM模型 - 图5

于是,我们需要建立R\F\M的平均值字段,并判断的用户的R\F\M值是否大于均值,示例表达式如下:

F值平均值={fixed :sum([F值])/countd([买家昵称])}
F值是否高于平均值=if [F值]>=[F值平均值] then 1 else 0

为了得到最终用户分组,还需要再定义一个判断函数,通过判断人群数值的值,来匹配用户分组:
RFM模型 - 图6

至此用户分组工作完成,在画布中新建一个表格,将前文中创建的计算字段依次拖入,可以看到每一位用户都有了属于自己的RFM标签。
RFM模型 - 图7

2.3 制作图表

(1)新建一个环形图,然后将「用户分组」和「用户数」字段分别拖动到颜色和角度,如下:
RFM模型 - 图8

(2)绘制两个并列柱状图来详细的看下分类的数据,如各类用户分布情况和各类用户销售额贡献占比:
RFM模型 - 图9

(3)设置3个指标卡,分别用于展示销售额、用户数和订单量;再将简化RFM模型表格插入。如果想进一步挖掘数据价值,可以考虑再加上「用户留存率」和「用户购买力」两张表,如下:
RFM模型 - 图10

(4)在图表【各类用户占比详情】中添加图表联动,关联页面内的其他图表。
RFM模型 - 图11

3. 效果查看

点击报告编辑页面右上角的“预览”按钮即可查看数据。
RFM模型 - 图12