数据分析实战项目3-用Excel做RFM模型用户分层模型分析

本文数据集来源：忘记了，私聊发数据源

本次目的是将一份用户订单表做RFM模型分析，做好8个维度的用户分层，可以方便运营和销售有目的去跟进重点和非重点客户。

数据源字段如图所示，但本次是订单表，客户有重复购买行为，而每个订单购买的国家地区和类别都会有不同。可分析的维度是做RFM用户分层模型分析

Recency.R代表最近一次消费距离现在的时间，值越小越好

Frequency.F代表某段时间的消费频次，值越大越好

Money.M代表某段时间的消费金额，值越大越好

通过Excel来计算RFM值方法会比较绕，原理就是首先通过计算的每个订单的中间过渡值R-1、F-1、M-1，然后用过渡值通过判断做RFM模型的RFM值。而本次判断过渡值后只有两个结果，也就是只有八种用户分层，111、011、101、011、110、100、010、000

 

1

首先R值的计算方法可以用today（）函数减去付款日期，得到距离今天的时间间隔

 

这算是R-1过渡值的一个辅助列，然后用Minif（）函数判断输出所有行数之间同一客户名称订单的最小值；

过渡值计算出来就需要判断R值是否属于重点维度，这次我们用R-1值和所有R-1均值比较判断，大于均值为一般0，小于均值为重点1

2

第二F-1值的计算方法用countif（）函数将所有订单同一个客户名称的计算出多少个作为频次；

过渡值计算出来就需要判断F值是否属于重点维度，这次同理R-1用均值做比较判断，大于均值为重点1，小于均值为一般0

3

第三M-1值的计算方法用sumifs（）函数将所有订单同一个客户名称的计算合计作为总消费金额；

过渡值计算出来就需要判断F值是否属于重点维度，这次同理R-1用均值做比较判断，大于均值为重点1，小于均值为一般0

4

最后合并R-1、F-1、M-1的值，用ifs（）函数判断

 可视化图表

 

重要价值客户有88人，占比11%，重要保持客户有124人，占比16%，重要发展客户有40人，占比5%，重要挽留客户有55人，占比7%；重要客户一共占比是39%，其中重要发展和重要挽留的占比还是比较低，应从一般标签的客户中提升上来。

一般挽留客户基本属于流失客户有230人，占比29%，这个比例还算正常；一般价值客户的占比太少，占比5%。

 

 再从销售额端分析，销售额占比最多的是重点保持客户22%和一般挽留客户21%，重点价值客户贡献15%的销售额，重点标签整体是贡献了52%的销售额

 

 

运营可以继续关注重要价值客户的关注点和重要保持客户的关注点，保持客户是属于每次消费间隔比较长，但客户的复购性和购买力在线，可跟进其业务是否顺畅，间隔时间长是不是业务层面上的问题等。