操作教程｜基于DataEase用RFM分析法分析零售交易数据

于 2024-10-10 13:36:29 发布
阅读量912 收藏 22
点赞数 22
文章标签： 数据可视化 数据大屏 开源 DataEase RFM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/FIT2CLOUD/article/details/142769499
版权

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。

FIT2CLOUD飞致云
关注
博客
新增支持Elasticsearch数据源，支持自定义在线地图风格，DataEase开源BI工具v2.10.2 LTS发布
11-12 606
新增图片组组件，新增数值区间查询组件。
博客
2024 MaxKB知识库搭建挑战赛，袭来！
11-10 103
2024年11月12日8:00，神秘选手首战开场！
博客
仪表板展示｜DataEase看中国：历年双十一电商销售数据分析
11-07 1025
通过DataEase开源BI工具，制作精美的双十一电商销售数据分析大屏。
博客
任务中心全新升级，新增分享接口文档功能，MeterSphere开源持续测试工具v3.4版本发布
11-05 1066
任务中心支持实时查看系统即时任务与系统后台任务。
博客
支持知识库文档自动生成关联问题，支持工作流节点多进多出和并行执行，MaxKB知识库问答系统v1.7版本发布
11-05 582
MaxKB新增支持自定义模型参数设置。
博客
飞致云开源社区月度动态报告（2024年10月）
11-03 362
为数字经济时代创造好软件。
博客
1Panel应用商店开源软件累计下载突破200万次！
10-30 196
在过去的6个月间，月度下载量超过180,000次。
博客
案例研究｜DataEase嵌入式版助力软件开发商提升行业软件交付效率
10-24 764
上海策安能源科技有限公司（以下简称为“策安科技”）成立于2015年，是一家实验室合规化、数字化、智能化的软件解决方案供应商。以“成为中国实验室合规保障首选服务及产品厂商”为愿景，策安科技长期为高校、医院、科研院所、科创园区、检测机构、政府监管部门提供安全、高效的实验室软件解决方案。图片。
博客
新增Python运行环境、支持病毒扫描和计划任务短信告警，1Panel开源面板v1.10.20 LTS版本发布
10-24 374
支持创建华为云DNS账户，WAF拦截记录支持通过动作进行筛选。
博客
行业模板｜DataEase电子商务大屏模板推荐
10-12 221
DataEase模板市场方便用户快速制作行业主题仪表板和数据大屏。
博客
操作教程｜JumpServer使用Linux操作系统发布虚拟应用
10-10 946
通过Panda组件实现对虚拟应用的调度和管理。
博客
飞致云开源社区月度动态报告（2024年9月）
09-30 786
为数字经济时代创造好软件。
博客
支持语音方式问答，支持使用重排模型进行多路召回，MaxKB知识库问答系统v1.6版本发布
09-30 1178
MaxKB全面支持标准的OpenAI调用格式。
博客
测试管理新增视图与高级搜索功能，测试计划支持一键生成缺陷详情，MeterSphere开源持续测试工具v3.3版本发布
09-29 1337
欢迎从1Panel应用商店快速安装并使用MeterSphere。
博客
MaxKB知识库问答系统入选Gitee最有价值开源项目
09-29 557
MaxKB是飞致云旗下第四个入选GVP的开源项目。
博客
案例研究丨国控星鲨利用DataEase释放数据潜能，重塑业务视野
09-23 1167
“中华老字号”企业的数据可视化实践。
博客
里程碑｜飞致云旗下六大开源项目GitHub Star数全部破万！
09-20 347
在开源的道路上，与用户、客户共成长。
博客
MaxKB开源知识库问答系统GitHub Star数量突破10,000个！
09-19 136
182天，10000个Star。
博客
飞致云祝您中秋节快乐！
09-18 359
阖家欢乐，幸福安康！
博客
MaxKB开源知识库问答系统累计下载数量超过200,000次！
09-14 409
177天，星夜兼程。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值