自学内容网 自学内容网
自学内容网 > 正文

操作教程｜基于DataEase用RFM分析法分析零售交易数据

🕗 发布于 2024-10-11 01:47 数据可视化  数据大屏  开源  DataEase  RFM  

DataEase开源BI工具可以在店铺运营的数据分析及可视化方面提供非常大的帮助。同样，在用于客户评估的RFM（即Recency、Frequency和Monetary的简称）分析中，DataEase也可以发挥出积极的价值，通过数据可视化大屏的方式实时展示分析结果，让业务数据在没有损耗准确性和时效性的前提下，以更加直观易懂的方式呈现。

关于RFM分析法

RFM分析法是一种经典的客户价值评估模型，广泛应用于市场营销和客户关系管理领域。通过分析客户最近一次的消费时间（Recency）、消费频率（Frequency）以及消费金额（Monetary），RFM模型能够精准识别客户的价值和行为特征。这一方法在零售、新消费和电商行业尤为普遍和通用，可以帮助企业识别高价值客户、制定个性化营销策略、提升客户满意度和忠诚度，并且优化资源配置，从而显著提升整体销售业绩和市场竞争力。

RFM分析不仅为企业提供了科学的数据支持，还在客户关系管理中起到了关键的指导作用。其中，针对“R”、“F”和“M”这三个维度，可以根据如下标准来做出评估：

1.R（Recency）：表示客户最近一次购买时间距离当前时间的间隔天数。时间越短，客户的活跃度越高，越有可能再次购买；

2.F（Frequency）：表示客户在特定时间段内的购买次数。次数越多，说明客户与公司的互动越频繁，忠诚度越高；

3.M（Monetary）：表示客户在特定时间段内的总消费金额。金额越高，客户的价值越大，越会成为公司重要的利润来源。

通过DataEase对数据进行RFM分析

本文为您介绍通过DataEase对数据开展RFM分析的方法，涵盖了数据收集、处理，到客户分群和策略制定的完整步骤。

一、数据收集

在进行具体的数据分析之前，首先需要采集、整理好待分析的客户交易数据，包括每笔交易的日期、交易金额和客户ID等字段。

以下是模拟的一份零售交易数据示例。
在这里插入图片描述

▲图1 模拟零售交易数据

将获得的数据导入数据库。此处我们将模拟生成的数据加载至Oracle数据库中，具体步骤如下：

1.通过SQL命令语句创建生成数据表。

CREATE TABLE transactions (
       transaction_id NUMBER PRIMARY KEY,
       customer_id NUMBER NOT NULL,
       product_id NUMBER NOT NULL,
       transaction_time TIMESTAMP NOT NULL,
       total_amount NUMBER(10, 2) NOT NULL
);

2.将待分析的数据导入至生成好的数据表“TRANSACTIONS”中。
在这里插入图片描述

▲图2 将数据导入数据库的数据表

二、数据处理与计算

本次我们将通过DataEase开源BI工具来进行RFM分析数据的大屏制作，以实现数据的直观展示与分析。

具体步骤如下：

1.在DataEase的“数据源配置”页面，选择连接对应的Oracle数据库。
在这里插入图片描述

▲图3 连接Oracle数据源

2.使用Oracle数据源中预先准备好的数据表“TRANSACTIONS”，创建数据集。
在这里插入图片描述

▲图4 数据集创建操作

3.从数据表“TRANSACTIONS”中拆分出具体的“R”、“F”、“M”三个维度，并根据它们各自的指示特征，对数据进行进一步的筛选和加工处理。

■ R：用当前时间减去最近交易时间，并将结果向上取整，获取上次消费间隔天数；

CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R

■ F：当月内的发生交易次数；

COUNT(1) AS F

■ M：当月内消费金额合计。

SUM(TOTAL_AMOUNT) AS M

在DataEase中，可以便利地通过“新建计算字段”功能来加工以上字段，实现数据的快速处理。

▲图5 DataEase的“新建计算字段”功能

4.按照客户ID来汇总数据，并对数据进行排序，取得可以用于RFM分析的数据集。

SELECT
       CUSTOMER_ID,
       CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R,
       COUNT(1) AS F,
       SUM(TOTAL_AMOUNT) AS M
FROM
       TRANSACTIONS
GROUP BY
       CUSTOMER_ID
ORDER BY
       CUSTOMER_ID

在这里插入图片描述

▲图6 用于RFM分析的数据集

三、数据标准划分

使用SQL语句，对待分析的数据进行进一步的处理，根据客户行为指标所在的数值区间分出计分等级。

SELECT
       MIN(t.R) 最小最近间隔天数,
       MAX(t.R) 最大最近间隔天数,
       MIN(t.F) 最小消费次数,
       MAX(t.F) 最大消费次数,
       MIN(t.M) 最小合计金额,
       MAX(t.M) 最大合计金额
FROM
       (
       SELECT
              CUSTOMER_ID,
              CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R,
              COUNT(1) AS F,
              SUM(TOTAL_AMOUNT) AS M
       FROM
              TRANSACTIONS
       GROUP BY
              CUSTOMER_ID
       ORDER BY
              CUSTOMER_ID)t

在这里插入图片描述

▲图7 数据计分标准参考

此处我们使用均等分层的方式，将客户交易数据分出等级，作为顺序数据计分。

■ R：

5分：1-4天
4分：5-8天
3分：9-12天
2分：13-16天
1分：17天以上

■ F：

5分：20次以上
4分：16-20次
3分：11-15次
2分：6-10次
1分：1-5次

■ M：

5分：8001以上
4分：6001-8000元
3分：4001-6000元
2分：2001-4000元
1分：1-2000元

四、客户分群

根据已经确定的数据标准，使用SQL语句对数据进行如下分类。

1.为R、F、M数值分别分层计分，所得R、F、M数值对应的分数分别记录为计分字段“R_GRD”、“F_GRD”、“M_GRD”。

SELECT
       t.CUSTOMER_ID,
       t.R,
       CASE
              WHEN t.R BETWEEN 1 AND 4 THEN 5
              WHEN t.R BETWEEN 5 AND 8 THEN 4
              WHEN t.R BETWEEN 9 AND 12 THEN 3
              WHEN t.R BETWEEN 13 AND 16 THEN 2
              WHEN t.R > 16 THEN 1
       END R_Grd,
       t.F,
       CASE
              WHEN t.F BETWEEN 1 AND 5 THEN 1
              WHEN t.F BETWEEN 6 AND 10 THEN 2
              WHEN t.F BETWEEN 11 AND 15 THEN 3
              WHEN t.F BETWEEN 16 AND 20 THEN 4
              WHEN t.F > 20 THEN 5
       END F_Grd,
       t.M,
       CASE
              WHEN t.M BETWEEN 1 AND 2000 THEN 1
              WHEN t.M BETWEEN 2001 AND 4000 THEN 2
              WHEN t.M BETWEEN 4001 AND 6000 THEN 3
              WHEN t.M BETWEEN 6001 AND 8000 THEN 4
              WHEN t.M > 8000 THEN 5
       END M_Grd
FROM
       (
       SELECT
              CUSTOMER_ID,
              CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R,
              COUNT(1) AS F,
              SUM(TOTAL_AMOUNT) AS M
       FROM
              TRANSACTIONS
       GROUP BY
              CUSTOMER_ID
       ORDER BY
              CUSTOMER_ID)t

在这里插入图片描述

▲图8 新增“GRD”计分字段

2.分别计算出“R_GRD”、“F_GRD”、“M_GRD”三个字段的平均值。

SELECT
       AVG(ag.R_Grd) R_avg,
       AVG(ag.F_Grd) F_avg,
       AVG(ag.M_Grd) M_avg
FROM
       (
       SELECT
              t.CUSTOMER_ID,
              t.R,
              CASE
                     WHEN t.R BETWEEN 1 AND 4 THEN 5
                     WHEN t.R BETWEEN 5 AND 8 THEN 4
                     WHEN t.R BETWEEN 9 AND 12 THEN 3
                     WHEN t.R BETWEEN 13 AND 16 THEN 2
                     WHEN t.R > 16 THEN 1
              END R_Grd,
              t.F,
              CASE
                     WHEN t.F BETWEEN 1 AND 5 THEN 1
                     WHEN t.F BETWEEN 6 AND 10 THEN 2
                     WHEN t.F BETWEEN 11 AND 15 THEN 3
                     WHEN t.F BETWEEN 16 AND 20 THEN 4
                     WHEN t.F > 20 THEN 5
              END F_Grd,
              t.M,
              CASE
                     WHEN t.M BETWEEN 1 AND 2000 THEN 1
                     WHEN t.M BETWEEN 2001 AND 4000 THEN 2
                     WHEN t.M BETWEEN 4001 AND 6000 THEN 3
                     WHEN t.M BETWEEN 6001 AND 8000 THEN 4
                     WHEN t.M > 8000 THEN 5
              END M_Grd
       FROM
              (
              SELECT
                     CUSTOMER_ID,
                     CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R,
                     COUNT(1) AS F,
                     SUM(TOTAL_AMOUNT) AS M
              FROM
                     TRANSACTIONS
              GROUP BY
                     CUSTOMER_ID
              ORDER BY
                     CUSTOMER_ID)t)ag

在这里插入图片描述

▲图9 计算“GRD”字段平均值

3.将“R_GRD”、“F_GRD”、“M_GRD”分数与各自的字段平均值进行对比，得出对应的等级字段“R_RNK”、“F_RNK”、“M_RNK”。若“GRD”分数高于平均值，则记录“RNK”为“高”，反之则记录“RNK”为“低”。

SELECT
       t.CUSTOMER_ID,
       t.R,
       CASE
              WHEN t.R BETWEEN 1 AND 4 THEN 5
              WHEN t.R BETWEEN 5 AND 8 THEN 4
              WHEN t.R BETWEEN 9 AND 12 THEN 3
              WHEN t.R BETWEEN 13 AND 16 THEN 2
              WHEN t.R > 16 THEN 1
       END R_Grd,
       CASE
              WHEN (CASE
                     WHEN t.R BETWEEN 1 AND 4 THEN 5
                     WHEN t.R BETWEEN 5 AND 8 THEN 4
                     WHEN t.R BETWEEN 9 AND 12 THEN 3
                     WHEN t.R BETWEEN 13 AND 16 THEN 2
                     WHEN t.R > 16 THEN 1
              END) > 3.441 THEN '高'
              ELSE '低'
       END R_Rnk,
       t.F,
       CASE
              WHEN t.F BETWEEN 1 AND 5 THEN 1
              WHEN t.F BETWEEN 6 AND 10 THEN 2
              WHEN t.F BETWEEN 11 AND 15 THEN 3
              WHEN t.F BETWEEN 16 AND 20 THEN 4
              WHEN t.F > 20 THEN 5
       END F_Grd,
       CASE
              WHEN (CASE
                     WHEN t.F BETWEEN 1 AND 5 THEN 1
                     WHEN t.F BETWEEN 6 AND 10 THEN 2
                     WHEN t.F BETWEEN 11 AND 15 THEN 3
                     WHEN t.F BETWEEN 16 AND 20 THEN 4
                     WHEN t.F > 20 THEN 5
              END) > 2.751 THEN '高'
              ELSE '低'
       END F_Rnk,
       t.M,
       CASE
              WHEN t.M BETWEEN 1 AND 2000 THEN 1
              WHEN t.M BETWEEN 2001 AND 4000 THEN 2
              WHEN t.M BETWEEN 4001 AND 6000 THEN 3
              WHEN t.M BETWEEN 6001 AND 8000 THEN 4
              WHEN t.M > 8000 THEN 5
       END M_Grd,
       CASE
              WHEN (CASE
                     WHEN t.M BETWEEN 1 AND 2000 THEN 1
                     WHEN t.M BETWEEN 2001 AND 4000 THEN 2
                     WHEN t.M BETWEEN 4001 AND 6000 THEN 3
                     WHEN t.M BETWEEN 6001 AND 8000 THEN 4
                     WHEN t.M > 8000 THEN 5
              END) > 2.852 THEN '高'
              ELSE '低'
       END M_Rnk
FROM
       (
       SELECT
              CUSTOMER_ID,
              CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R, 
              COUNT(1) AS F,
              SUM(TOTAL_AMOUNT) AS M
       FROM
              TRANSACTIONS
       GROUP BY
              CUSTOMER_ID
       ORDER BY
              CUSTOMER_ID)t

在这里插入图片描述

▲图10 新增“RNK”等级字段

五、分析与策略

根据上一步获得的“RNK”等级评估标准对用户类型进行细分，获取用户画像，并且分别制定对应的策略。
在这里插入图片描述

基于用户画像分析，在数据表中新增“RFM-RNK”（客户分类）字段，定位客户类型。

SELECT
       rfm.*,
       CASE
              WHEN rfm.R_RNK = '高'
              AND rfm.F_RNK = '高'
              AND rfm.M_RNK = '高' THEN '重要价值客户'
              WHEN rfm.R_RNK = '高'
              AND rfm.F_RNK = '低'
              AND rfm.M_RNK = '高' THEN '重要发展客户'
              WHEN rfm.R_RNK = '低'
              AND rfm.F_RNK = '高'
              AND rfm.M_RNK = '高' THEN '重要保持客户'
              WHEN rfm.R_RNK = '低'
              AND rfm.F_RNK = '低'
              AND rfm.M_RNK = '高' THEN '重要挽留客户'
              WHEN rfm.R_RNK = '高'
              AND rfm.F_RNK = '高'
              AND rfm.M_RNK = '低' THEN '一般价值客户'
              WHEN rfm.R_RNK = '高'
              AND rfm.F_RNK = '低'
              AND rfm.M_RNK = '低' THEN '一般保持客户'
              WHEN rfm.R_RNK = '低'
              AND rfm.F_RNK = '高'
              AND rfm.M_RNK = '低' THEN '一般保持客户'
              WHEN rfm.R_RNK = '低'
              AND rfm.F_RNK = '低'
              AND rfm.M_RNK = '低' THEN '一般挽留客户'
       END rfm_Rnk
FROM
       (
       SELECT
              t.CUSTOMER_ID,
              t.R,
              CASE
                     WHEN t.R BETWEEN 1 AND 4 THEN 5
                     WHEN t.R BETWEEN 5 AND 8 THEN 4
                     WHEN t.R BETWEEN 9 AND 12 THEN 3
                     WHEN t.R BETWEEN 13 AND 16 THEN 2
                     WHEN t.R > 16 THEN 1              
              END R_Grd,
              CASE
                     WHEN (CASE
                            WHEN t.R BETWEEN 1 AND 4 THEN 5
                            WHEN t.R BETWEEN 5 AND 8 THEN 4
                            WHEN t.R BETWEEN 9 AND 12 THEN 3
                            WHEN t.R BETWEEN 13 AND 16 THEN 2
                            WHEN t.R > 16 THEN 1
                     END) > 3.441 THEN '高'
                     ELSE '低'
              END R_Rnk,
              t.F,
              CASE
                     WHEN t.F BETWEEN 1 AND 5 THEN 1
                     WHEN t.F BETWEEN 6 AND 10 THEN 2
                     WHEN t.F BETWEEN 11 AND 15 THEN 3
                     WHEN t.F BETWEEN 16 AND 20 THEN 4
                     WHEN t.F > 20 THEN 5
              END F_Grd,
              CASE
                     WHEN (CASE
                            WHEN t.F BETWEEN 1 AND 5 THEN 1
                            WHEN t.F BETWEEN 6 AND 10 THEN 2
                            WHEN t.F BETWEEN 11 AND 15 THEN 3
                            WHEN t.F BETWEEN 16 AND 20 THEN 4
                            WHEN t.F > 20 THEN 5
                     END) > 2.751 THEN '高'
                     ELSE '低'
              END F_Rnk,
              t.M,
              CASE
                     WHEN t.M BETWEEN 1 AND 2000 THEN 1
                     WHEN t.M BETWEEN 2001 AND 4000 THEN 2
                     WHEN t.M BETWEEN 4001 AND 6000 THEN 3
                     WHEN t.M BETWEEN 6001 AND 8000 THEN 4
                     WHEN t.M > 8000 THEN 5
              END M_Grd,
              CASE
                     WHEN (CASE
                            WHEN t.M BETWEEN 1 AND 2000 THEN 1
                            WHEN t.M BETWEEN 2001 AND 4000 THEN 2
                            WHEN t.M BETWEEN 4001 AND 6000 THEN 3
                            WHEN t.M BETWEEN 6001 AND 8000 THEN 4
                            WHEN t.M > 8000 THEN 5
                     END) > 2.852 THEN '高'
                     ELSE '低'
              END M_Rnk
FROM
       (
       SELECT
              CUSTOMER_ID,
              CEIL(SYSDATE - MAX(TRANSACTION_TIME)) AS R, 
              COUNT(1) AS F,
              SUM(TOTAL_AMOUNT) AS M
       FROM
              TRANSACTIONS
       GROUP BY
              CUSTOMER_ID
       ORDER BY
              CUSTOMER_ID)t)rfm

在这里插入图片描述

▲图11 新增“RFM-RNK”客户分类字段

六、用户画像可视化

基于前述数据分析的结果，并且结合店铺自身的业务场景，我们可以引入VIP客户占比、沉睡客户占比等关键绩效指标。这些指标对于深入了解客户群体结构和行为模式至关重要，能够帮助我们更加精准地把握营销侧重的方向。

针对以上整个RFM分析中的关键数据指标，我们可以利用DataEase强大的数据可视化呈现能力构建如下定制化的数据大屏，综合展示这些关键指标的实时动态，为运营人员提供一目了然的可视化效果，并且通过多维度的数据透视和交互功能，深入挖掘数据背后的潜在业务价值。

我们也可以通过定期更新的数据大屏，去实时监控不同类型客户的活跃度和贡献度，识别并维护高价值客户。同时，通过沉睡客户的占比分析，我们可以制定针对性的激活策略，挖掘潜在的客户消费机会。
在这里插入图片描述

▲图12 基于DataEase构建的“用户画像-RFM分析法”数据大屏

RFM分析数据大屏的构建有助于我们更精准地了解客户需求和市场变化，也能为制定更加细致的市场运营策略提供坚实的数据基础，让营销决策变得更加高效和科学。

注：本文所引用的RFM分析相关定义来源于《数据分析思维：分析方法和业务知识》一书，猴子.数据分析学院著。


原文地址：https://blog.csdn.net/FIT2CLOUD/article/details/142769499

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

相关文章

  • Java基础（下）

    如果说大家研究过框架的底层原理或者咱们自己写过框架的话，一定对反射这个概念不陌生。反射之所以被称为框架的灵魂，主要是因为它赋予了我们在运行时分析类以及执行类中方法的能力。通过反射你可以获取任意一个类的

    阅读更多2024-10-11
  • 基于ollama搭建本地大模型，保姆级教程手把手教会你

    • 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式

    阅读更多2024-10-11
  • 如何通过OpenCV实现图像融合拼接？

    图像融合是将拼接后的图像进行平滑过渡，以消除拼接痕迹的过程。为了解决大尺寸图像拼接的问题，可以采用分块拼接的方法，将大尺寸图像分成若干小块进行拼接，然后再将小块拼接成完整的图像。然而，由于图像的光照、

    阅读更多2024-10-11
  • 路由通信 的 VLAN技术

    MTK76X8、MTK7621、MT7981和QCA9531都可以考虑使用VLAN技术，解决网络架构问题。

    阅读更多2024-10-11
  • 通用大模型之智能家居控制：智能AI冰箱

    2.结合OCR视觉识别食物，帮助记录出食物的存放时间和保鲜时期，APP食物过期提醒。传统电冰箱采用压缩机制冷，制冷原理简单直接，功耗高，除了制冷保险无任何科技。1.结合传统技术、新科技技术能力，保留自

    阅读更多2024-10-11
  • Excel电子表格基本知识点汇总

    方法：光标放在要存放结果的单元格——击“插入〞菜单——击“FX函数〞选择统计——选择“COUNT〞——击“确定〞——击DATA-ARRY框右边的红键头折叠按钮——选择数据区域——按回车键——击BIN-

    阅读更多2024-10-11
  • 前缀和算法——优选算法

    前缀和是指从数组的起始位置到某一位置（或矩阵的某个区域）的所有元素的和。这种算法通过预处理数组或矩阵，计算出每个位置（或区域）的前缀和，并将其存储在一个额外的数组或矩阵中，以便在后续查询中可以快速获取

    阅读更多2024-10-11
  • 毕业设计选题：基于php+vue+uniapp的新闻资讯小程序

    新闻资讯的设计主要是对系统所要实现的功能进行详细考虑，确定所要实现的功能后进行界面的设计，在这中间还要考虑如何可以更好的将功能及页面进行很好的结合，方便用户可以很容易明了的找到自己所需要的信息，还有系

    阅读更多2024-10-11
  • 工信部：2027年完成200万套工业软件更新，明确含WMS，AGV、RGV、自动立体库、自动输送线等控制软件...

    导语大家好，我是社长，老K。专注分享智能制造和智能仓储物流等内容。近日，为积极响应国家关于设备更新和技术改造的号召，工业和信息化部精心编制了《工业重点行业领域设备更新和技术改造指南》，这份指南如同一幅

    阅读更多2024-10-11
  • 刷题训练之解决最短路径问题

    最早博主续写了牛客网130道题，这块的刷题是让同学们快速进入C语言，而我们学习c++已经有一段时间了，知识储备已经足够了但缺少了实战，面对这块短板博主续写刷题训练，针对性学习，把相似的题目归类，系统的

    阅读更多2024-10-11
自学内容网
Copyright © 2015-2024