powerbi 实现 RFM用户模型

最新推荐文章于 2025-02-18 20:22:24 发布
最新推荐文章于 2025-02-18 20:22:24 发布
阅读量481 收藏
点赞数
分类专栏： powerbi 文章标签： powerbi
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/weixin_52001949/article/details/128213930
版权

一、 项目名称：电商行业用户画像搭建
二、 项目背景：某线上母婴平台发现最近一年各类营销活动的效果不佳，且总
体销售额没有明显的增长。据了解，以往的营销活动面向所有用户，部分
用户无论有无营销活动均稳定的消费，而有些用户很常时间未消费可能已
转变为流失人群。
三、 分析目的和价值
平台逐渐意识到用户分类的重要性。实现用户分类后，可针对不同用户实
施组合促销、会员卡充值、满减等营销活动。
四、 分析要求

以 2019 年 8 月 3 日为分析时点统计每个用户的 R 值、F 值、M 值
运用平均值作为 RFM 各维度对应高低程度的判断值
使用判断函数或查找函数划分出不同的用户类别
根据帕累托分析识别核心类别用户
 数据说明
作业中提供的数据为 2019 年 1 月至 7 月某母婴电商平台的销售数据，其
中，流水号为购物篮编号，一次购物产生一个购物篮编号，一个购物篮内
可添加多个商品。
注：R、F、M 每个维度下划分为两个程度，用户分类如下表

 

 

 

 

 Powerbi 查看地址：https://app.powerbi.com/view?r=eyJrIjoiZDRjMzdjN2EtNzkxYy00Y2NiLWI3MzItNTFiNDc1Y2MzMDE0IiwidCI6ImE0NmQwMTZhLTA1NTQtNGE0Yy05OTM5LTgxMWQwM2U0Yzk1YyIsImMiOjEwfQ%3D%3D

PowerBI实现RFM模型动态可视化大屏？三十分钟教你从入门到高手
Data_lukyo的博客
01-08 2019
        今天讲的是PowerBI实现RFM模型动态可视化大屏制作的过程。如果对于RFM模型的原理、计算步骤、打标签以及用法场景还不理解，请看我的另一篇文章“RFM模型的四种打标签方法你会几种？三十行代码教你深刻理解如何实现用户画像”，本篇是对这篇文章进行动态可视化实现，用到的也是那里的代码。        首先是对三种以均值为区分标准的静态打
Excel数据分析—制作客户画像
James_Linz的博客
02-08 7775
Excel数据分析小技巧，教你快速制作分析客户画像~~更有实战资料供你练习！！！
4.4 PowerBI分析模板-购物篮分析
PowerBI自己学
02-18 778
但是如果同时购买A和B的订单只有一笔，A也只有这一笔订单，置信度达到了100%，提升度也因此变高，但这不能代表规律，因为支持度低。在PowerBI中，写出支持度和提升度的度量值，并按照支持度和提升度划分为4个象限，并将关系定义为4个关联类型：高支持度-高提升度、高支持度-低提升度、低支持度-高提升度、低支持度-低提升度，在散点图中可以展示关系的分布情况。1 支持度（Support），A和B同时被购买的概率，同时购买了A和B的订单数在总订单数中的占比，高支持度就意味着高关联；参数表Support%-区隔。
excel 基于RFM模型、帕累托分析的用户画像项目实战
麻辣清汤的博客
04-06 1623
一、 项目名称：电商行业用户画像搭建 二、 项目背景：某线上母婴平台发现最近一年各类营销活动的效果不佳，且总 体销售额没有明显的增长。据了解，以往的营销活动面向所有用户，部分 用户无论有无营销活动均稳定的消费，而有些用户很常时间未消费可能已 转变为流失人群。 三、 分析目的和价值 平台逐渐意识到用户分类的重要性。实现用户分类后，可针对不同用户实 施组合促销、会员卡充值、满减等营销活动。 四、 分析要求 以 2019 年 8 月 3 日为分析时点统计每个用户的 R 值、F 值、M 值 运用平均值作为 RFM
【代码分享】手把手教你：基于RFM的用户画像可视化系统
03-07
本文主要介绍如何使用python搭建一个：基于RFM的用户画像可视化系统。 本项目分为2部分： 1、RFM模型构建，用户画像数据输出。 2、网站搭建，提供用户画像查阅功能。
PowerBi-RFM模型
qq_41752985的博客
03-17 991
PowerBi-RFM模型 ----只是想用博客记录学习过程和结果，不提供数据和代码，谢谢---- 建关系： 数据不真实，只用于模型！！ DAX公式如下： RFM.F = AVERAGEX( DISTINCT( '客户表'[客户名称] ) , CALCULATE( COUNTROWS( '订单头' ) , TREATAS( VALUES( 'RFM日期'[Date] ) , '订单头'[订单日期] ) ) ) RFM.F MAX = MAXX( ALL( '客户表'[客户名称] )
POWER BI 动态RFM分析
Mathsang的博客
10-08 411
动态RFM分析
利用 Power BI 实现 RFM 分析
Leorio Paladinight的博客
08-24 2104
利用PowerBI实现RFM用户分层分析
power bi用户RFM模型学习笔记
Admin_010的博客
12-07 2317
这里写自定义目P欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇
利用Power BI制作RFM客户分析模型
Fluffy的百宝箱
04-24 4796
这里写自定义目录标题RFM客户分析模型RFM模型三要素设定要素评级标准计算最近一次消费时间计算消费频率插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 RFM客户分析模型 RMF模...
【商业数据模型】RFM_Power BI 商业智能应用demo.pbix
07-01
【商业数据模型】RFM_Power BI 商业智能应用demo
union all动态表_教你在Power BI中轻松制作动态RFM客户价值模型
weixin_39900468的博客
12-13 465
前面几篇文章介绍了如何用PowerBI对客户进行分析，相关的分析维度和方式有很多，实际应用也是千差万别，但谈到客户分析，不得不提及一个经典、通用的分析模型：RFM模型。RFM模型是衡量客户价值的一个重要的工具和手段，它通过客户的三个行为指标对客户进行分类：Recency：最近一次消费时间间隔Frequency：消费频率Monetary：消费金额RFM模型的名字也就是这三个指标首字母的组合，一般来说...
RFM客户价值分析及可视化
m0_66450607的博客
05-30 850
RFM是通过分析客户的消费行为来判断客户价值，以及进行对多客户进行精细运营的一种工具。 R（Recency）——最近一次消费的时间距离现在多久了？R值主要体现近期活跃度； F（Frequency）——最近一段时间内的购买次数。F值越高，可以理解是对我们产品越满意的客户，表示客户的忠诚度越高； M（Monetary）——最近一段时间内的消费金额。M值越高，说明客户实际贡献度越高； #导入需要使用的模块 import matplotlib.pyplot as plt import numpy as np.
用户画像无头绪？手把手教你RFM模型
qq_16109927的博客
04-22 608
【啊范的分析报告_1】 前言 在一些营销场景下，对不同客户给予相同的对待或策略有时不太合适，所以我们根据用户数据，分析用户行为和消费倾向，并打上相应的标签应用于不同厂家。用有限的公司资源优先服务于公司最重要的客户，客户与我们的粘性将会更高，并与双方建立忠诚的合作关系。 在第一阶段，我们基于RFM模型做用户消费分析，并定义一些指标。 最近一次消费（Recency） 消费频率...
基于RFM模型的用户价值分析——Python&Tableau
Bingo
07-28 1201
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。R（Recency）——最近日期或最新日期即客户最近一次消费日期距分析日的时间间隔。最近一次消费的时间间隔是维系顾客的一个重要指标。根据R值越小越好的标准，间隔时间越短越有可能再次购买，按短到长平均分成5个等级，依次为R5-R1。F（Frequency）——消费频率即单位期间内的消费次数。在单位期间内的消费频率越高越好。消费次数多的客户通常是满意度高和忠诚度高的的客户，这部分客户是企业必须维系好的客户。M（Monetray）——消费总额。......
实战16：RFM实战：基于使用RFM+R模型量化用户价值进行金融产品精准营销
机器学习深度学习业余选手
11-19 657
RFM实战：基于使用RFM+R模型量化用户价值进行金融产品精准营销
【网络学习笔记】Excel数据分析实战项目—淘宝用户画像
晴空
06-02 2762
一下午+晚上，刷完了第二个课程。 推荐指数：☆☆☆ 课程名：项目实战：用excel如何实现淘宝用户画像数据分析应用 链接：https://www.bilibili.com/video/BV1c64y1M7ph?from=search&seid=4242111463585738627 tips：这个课程是基于Excel做了一个对于电商用户的数据分析。主要内容为： 拿到原始数据->原始数据处理->使用函数对于数据做汇总、提取、筛选、sumif，countif等->数据透视图、透视表、切
【BI学习心得03-推荐系统眼中的你——用户画像】
水花的博客
11-18 1992
背景故事
好的用户画像是怎么样的
明月说数据
07-08 205
b端用户画像分析工具之所以应用越来越广泛，是因为这种用户画像分析软件它能够更好的把企业所需要的信息进行实时的收集。对于各大零售商来说，b端用户画像分析工具就相当于用最简单的方式，让你掌握到用户的基本信息。那么正常情况之下，用户画像分析软件主要分析哪些信息呢？ 用户画像分析软件分析的主要信息（一）基础信息 b端用户画像分析工具主要会对用户的姓名，性别，年龄，是以及否结婚和常用的联系方式，乃至家庭住址进行分析和数据的收集。 用户画像分析软件分析的主要信息（二）信用信息 比如说，用户画像.
power bi rfm
最新发布
03-15
### 如何在 Power BI 中实现 RFM 分析 RFM（Recency, Frequency, Monetary）分析是一种用于客户细分的强大工具，它通过客户的最近购买时间、购买频率以及消费金额来评估其价值。以下是关于如何在 Power BI 中实现 RFM 分析的具体方法： #### 数据准备 为了执行 RFM 分析，在导入数据之前，需确保交易记录表包含以下字段： - **CustomerID**: 客户唯一标识符。 - **OrderDate**: 订单日期。 - **SalesAmount**: 销售额。 这些字段对于计算 R（最近一次购买）、F（购买频率）和 M（总消费金额）至关重要[^1]。 #### 创建度量值 利用 DAX (Data Analysis Expressions)，可以创建必要的列和度量值来进行 RFM 分析。 ##### 1. Recency (R): 最近一次购买的时间间隔 ```DAX Recency = VAR LatestDate = MAX('Transaction'[OrderDate]) RETURN DATEDIFF(MAXX(FILTER(ALL('Transaction'), 'Transaction'[CustomerID] = EARLIER('Transaction'[CustomerID])), 'Transaction'[OrderDate]), LatestDate, DAY) ``` 此表达式会针对每位客户计算从最新订单日期到当前最大日期之间的天数差异。 ##### 2. Frequency (F): 购买次数 ```DAX Frequency = CALCULATE(DISTINCTCOUNT('Transaction'[OrderID]), ALLEXCEPT('Transaction', 'Transaction'[CustomerID])) ``` 该公式统计了每个客户的独特订单数量作为他们的购买频次指标。 ##### 3. Monetary Value (M): 总消费金额 ```DAX MonetaryValue = SUMX('Transaction', 'Transaction'[SalesAmount]) ``` 这一步骤汇总了每名顾客在其所有交易中的销售总额。 #### 应用评分机制 完成上述三个维度的计算之后，下一步是对它们应用评分逻辑。通常情况下，采用五分制或其他等级划分方式给定分数范围内的表现打分。例如，较低的 `Recency` 值应获得更高的得分；而较高的 `Frequency` 和 `MonetaryValue` 则对应更高评价。 可以通过建立额外的辅助表格或者继续扩展现有模型来定义具体的评分规则并将其映射回原始数据集上。 最后，将这三个独立的评分结合起来形成最终的综合RFM得分，并据此对客户群体进行分类管理决策支持活动如精准营销策略制定等操作提供依据。 ```python # 示例 Python 代码片段展示可能的数据处理流程 import pandas as pd data = {'CustomerID': [101, 102], 'LastPurchaseDaysAgo': [5, 7], 'TotalPurchasesCount': [8, 4], 'TotalSpendings': [900, 600]} df = pd.DataFrame(data) def rfm_score(row): recency_score = 5 if row['LastPurchaseDaysAgo'] <= 3 else \ (4 if row['LastPurchaseDaysAgo'] <= 7 else 3) frequency_score = min(int((row['TotalPurchasesCount']/2)+1), 5) monetary_value_score = max(min(round(row['TotalSpendings']/200), 5), 1) return f"{recency_score}{frequency_score}{monetary_value_score}" df['RFMScore'] = df.apply(rfm_score, axis=1) print(df[['CustomerID','RFMScore']]) ```
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