根据事物在技术或经济方面的主要特征,进行分类,分清重点与非重点。对每一种分类进行区别对待管理,把被分析的对象分成 A、B、C 三类,三类物品没有明确的划分数值界限。
| 分类与重要程度 | 描述 |
| — | — |
| A类(非常重要) | 数量占比少,价值占比大 |
| B类(比较重要) | 没有A类那么重要,介于 A、C 之间 |
| C类(一般重要) | 数量占比大但价值占比很小 |
分类的核心思想:少数贡献了大部分价值。以商品品类和销售额为例:A 品类数量占总体 10% ,却贡献了 80% 的销售额。
数据分析案例
- 效果图
- 实现步骤
假设有如下数据集格式:
| 品牌 | 销售额 |
| — | — |
| NEW BALANCE(新百伦) | 8750 |
| ZIPPO(之宝) | 9760 |
| OCTMAMI(十月妈咪) | 5800 |
需要将数据加工成下面的格式:
| 品牌 | 销售额 | 销售总额 | 累计销售额 | 累计销售额占比 |
| — | — | — | — | — |
|
|
| =∑所有品牌销售额 | =当前品牌销售额 +上一个品牌销售额 | 累计销售额/销售总额 |
具体的SQL实现如下:
SELECT
brand, – 品牌
total_money, – 销售额
sum(total_money) over() AS sum_total_money,-- 销售总额
sum(total_money) over(ORDER BY total_money DESC ROWS BETWEEN UNBOUNDED PRECEDING AND CURRENT ROW) AS acc_sum_total_money – 累计销售额
FROM sales_money
上面给出了具体的SQL实现,其实BI工具已经内置了许多的处理函数和拖拽式的数据处理,不需要写SQL也可以将一份明细数据加工成上面的形式。
- 结论分析
从上面的帕累托图中可以看出:A类的(绿色部分)占了总销售额的80%左右,B类(黄色部分)占总销售额的10%,C类(红色部分)占总销售额的10%。接下来可以进行长尾分析,制定营销策略等等。
RFM分析与数据可视化
基本概念
RFM模型是在客户关系管理(CRM)中常用到的一个模型,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。该模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。
RFM模型较为动态地层示了一个客户的全部轮廓,这对个性化的沟通和服务提供了依据,同时,如果与该客户打交道的时间足够长,也能够较为精确地判断该客户的长期价值(甚至是终身价值),通过改善三项指标的状况,从而为更多的营销决策提供支持。
在RFM模式中,包括三个关键的因素,分别为:
-
R(Recency):表示客户最近一次购买的时间有多远,即最近的一次消费,消费时间越近的客户价值越大
-
F(Frequency):表示客户在最近一段时间内购买的次数,即消费频率,经常购买的用户也就是熟客,价值肯定比偶尔来一次的客户价值大
-
M (Monetary):表示客户在最近一段时间内购买的金额,即客户的消费能力,通常以客户单次的平均消费金额作为衡量指标,消费越多的用户价值越大。
最近一次消费、消费频率、消费金额是测算消费者价值最重要也是最容易的方法,这充分的表现了这三个指标对营销活动的指导意义。而其中,最近一次消费是最有力的预测指标。
通过上面分析可以对客户群体进行分类:
| 客户类型与等级 | R | F | M | 客户特征 |
| — | — | — | — | — |
| 重要价值客户
(A级/111) | 高(1) | 高(1) | 高(1) | 最近消费时间近、消费频次和消费金额都很高 |
| 重要发展客户
(A级/101) | 高(1) | 低(0) | 高(1) | 最近消费时间较近、消费金额高,但频次不高,忠诚度不高,很有潜力的用户,必须重点发展 |
| 重要保持客户
(B级/011) | 低(0) | 高(1) | 高(1) | 最近消费时间交远,消费金额和频次都很高。 |
| 重要挽留客户
(B级/001) | 低(0) | 低(0) | 高(1) | 最近消费时间较远、消费频次不高,但消费金额高的用户,可能是将要流失或者已经要流失的用户,应当基于挽留措施。 |
| 一般价值客户
(B级/110) | 高(1) | 高(1) | 低(0) | 最近消费时间近,频率高,但消费金额低,需要提高其客单价。 |
| 一般发展客户
(B级/100) | 高(1) | 低(0) | 低(0) | 最近消费时间较近、消费金额,频次都不高。 |
| 一般保持客户
(C级/010) | 低(0) | 高(1) | 低(0) | 最近消费时间较远、消费频次高,但金额不高。 |
| 一般挽留客户
(C级/000) | 低(0) | 低(0) | 低(0) | 都很低 |
数据分析案例
- 效果图
- 实现步骤
假设有如下的样例数据:
| 客户名称 | 日期 | 消费金额 | 消费数量 |
| — | — | — | — |
| 上海****有限公司 | 2020-05-20 | 76802 | 2630 |
需要将数据集加工成如下格式:
具体SQL实现
SELECT
customer_name,-- 客户名称
customer_avg_money,-- 当前客户的平均消费金额
customer_frequency, – 当前客户的消费频次
total_frequency,-- 所有客户的总消费频次
total_avg_frequency, – 所有客户平均消费频次
customer_recency_diff, – 当前客户最近一次消费日期与当前日期差值
total_recency, – 所有客户最近一次消费日期与当前日期差值的平均值
monetary,-- 消费金额向量化
frequency, – 消费频次向量化
recency, – 最近消费向量化
rfm, – rfm
CASE
WHEN rfm = “111” THEN “重要价值客户”
WHEN rfm = “101” THEN “重要发展客户”
WHEN rfm = “011” THEN “重要保持客户”
WHEN rfm = “001” THEN “重要挽留客户”
WHEN rfm = “110” THEN “一般价值客户”
WHEN rfm = “100” THEN “一般发展客户”
WHEN rfm = “010” THEN “一般保持客户”
WHEN rfm = “000” THEN “一般挽留客户”
END AS rfm_text
FROM
(SELECT
customer_name,-- 客户名称
customer_avg_money,-- 当前客户的平均消费金额
customer_frequency, – 当前客户的消费频次
total_avg_money ,-- 所有客户的平均消费总额
total_frequency,-- 所有客户的总消费频次
total_frequency / count(*) over() AS total_avg_frequency, – 所有客户平均消费频次
customer_recency_diff, – 当前客户最近一次消费日期与当前日期差值
avg(customer_recency_diff) over() AS total_recency, – 所有客户最近一次消费日期与当前日期差值的平均值
if(customer_avg_money > total_avg_money,1,0) AS monetary, – 消费金额向量化
if(customer_frequency > total_frequency / count(*) over(),1,0) AS frequency, – 消费频次向量化
if(customer_recency_diff > avg(customer_recency_diff) over(),0,1) AS recency, – 最近消费向量化
concat(if(customer_recency_diff > avg(customer_recency_diff) over(),0,1),if(customer_frequency > total_frequency / count(*) over(),1,0),if(customer_avg_money > total_avg_money,1,0)) AS rfm
FROM
(SELECT
customer_name, – 客户名称
max(customer_avg_money) AS customer_avg_money , – 当前客户的平均消费金额
max(customer_frequency) AS customer_frequency, – 当前客户的消费频次
max(total_avg_money) AS total_avg_money ,-- 所有客户的平均消费总额
max(total_frequency) AS total_frequency,-- 所有客户的总消费频次
datediff(CURRENT_DATE,max(customer_recency)) AS customer_recency_diff – 当前客户最近一次消费日期与当前日期差值
FROM
(SELECT
customer_name, – 客户名称
avg(money) over(partition BY customer_name) AS customer_avg_money, – 当前客户的平均消费金额
count(amount) over(partition BY customer_name) AS customer_frequency, – 当前客户的消费频次
avg(money) over() AS total_avg_money,-- 所有客户的平均消费总额
count(amount) over() AS total_frequency, --所有客户的总消费频次
max(sale_date) over(partition BY customer_name) AS customer_recency – 当前客户最近一次消费日期
FROM customer_sales) t1
GROUP BY customer_name)t2) t3
通过上面的分析,可以为相对应的客户打上客户特征标签,这样就可以针对某类客户指定不同的营销策略。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
上客户特征标签,这样就可以针对某类客户指定不同的营销策略。
[外链图片转存中…(img-NWYIOM8q-1714516982741)]
[外链图片转存中…(img-9XGpYWDJ-1714516982742)]
[外链图片转存中…(img-DVIYNXFY-1714516982742)]
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上大数据知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新