python做RFM代码太复杂，使用Tableau多简单！

↑ 点击上方 “凹凸数据” 关注 + 星标 ~ 

每天更新，大概率是晚9点  

关于RFM模型的介绍和pyhton实现过程见之前发过的文章！

《用python轻松实现数据分析中的RFM建模》

本文旨在通过2015-2018的客户订单分析，了解各大区销售经营情况、不同偏好，并通过RFM模型来进行客户价值分类，实现定向营销。

现在开始手把手教学RFM实战的软件操作：

1、数据表的介绍

  数据已经提供了，该数据是2015-2018的客户订单经过脱敏后得到的数据，共包含了8987条记录，该数据的字段很多，但是对于RFM建模，我们只需要“客户名称”、“销售额”、“日期”，就可以完成RFM模型的构建。下面我们只截图展示表中的部分数据。

2、计算RFM的值(MySQL)

  其实RFM的值，我们这里利用一个SQL语句就可以解决，但是我们为了更细致的讲解RFM值的计算过程，这里分开进行 一一叙述。

① R值的计算

• R值(近度) = （当前时间-最后一次消费时间）

• 当前时间：我们指定是“2019-04-01”，因为这是分析以前的数据，所以当前时间是那个时候的某个时间。

select 
        客户名称,
        max(日期) 最后一次消费时间,
        datediff("2019-04-01",max(日期)) R值
from dingdan
group by 客户名称;

结果如下：

② F值的计算

• F值(频度)  =（客户购买的频次）

• 这里的购买频次以天为单位，即使一天买了多单，这一天的频次就是1。

select 
        客户名称,
        count(distinct(日期)) F值   # 注意这里的去重操作
from dingdan
group by 客户名称;

结果如下：

③ M值的计算

• M值(额度) = （一段时间的总额或平均额）

select 
        客户名称,
        count(distinct(日期)) F值,
        sum(销售额) 总额,
        round(sum(销售额)/count(distinct(日期)),2) M值
from dingdan
group by 客户名称;

结果如下：

④ 其实RFM值一个SQL语句就可以解决

select 
        客户名称,
        datediff("2019-04-01",max(日期)) R值,
        count(distinct(日期)) F值,
        sum(销售额) 总额,
        round(sum(销售额)/count(distinct(日期)),2) M值
from dingdan
group by 客户名称;

结果如下：

3、Tableau中进行RFM值的计算

① 连接MySQL数据库

② 新建“自定义SQL”，获取我们用于分析的数据源

③ 在工作表中，完成如下一系列操作

④ 创建“计算字段”，计算R_SCORE

  注意：我们这里采用5级打分规则(业内一般都是这样打分的)，但是分段标准是根据实际业务为驱动，进行讨论后得出。  同理，我们可以计算出“F_SCORE”和“M_SCORE”，操作如上，这里就不详细进行说明。F_SCORE的计算如下：

M_SCORE的计算如下：

4、用户分类

① 创建“计算字段”，计算RFM的平均值

R_SCORE的平均值：

F_SCORE的平均值：

M_SCORE的平均值：

② 创建“计算字段”，进行RFM值高低的判断

  分别将“R_SCORE”、“F_SCORE”、“M_SCORE”和“R平均值”、“F平均值”、“M平均值”进行一一比较，大于平均值就是1，否则为0。R值高低的判断

F值高低的判断

M值高低的判断

③ 创建“计算字段”，进行客户价值判断(最麻烦)

IIF([R值高低的判断]=1 and [F值高低的判断]=1 and [M值高低的判断]=1,'重要价值客户',
    IIF([R值高低的判断]=0 and [F值高低的判断]=1 and [M值高低的判断]=1,'重要唤回客户',
    IIF([R值高低的判断]=1 and [F值高低的判断]=0 and [M值高低的判断]=1,'重要深耕客户',
    IIF([R值高低的判断]=0 and [F值高低的判断]=0 and [M值高低的判断]=1,'重要挽留客户',
    IIF([R值高低的判断]=1 and [F值高低的判断]=1 and [M值高低的判断]=0,'潜力客户',
    IIF([R值高低的判断]=1 and [F值高低的判断]=0 and [M值高低的判断]=0,'新客户',
    IIF([R值高低的判断]=0 and [F值高低的判断]=1 and [M值高低的判断]=0,'一般维持客户',
    IIF([R值高低的判断]=0 and [F值高低的判断]=0 and [M值高低的判断]=0,'流失客户','错误检测'))))))))

5、可视化展示

① 用户清单——文本表的展示

上表由于“客户”太多，怎么设置“分页显示”呢？(一个牛逼操作)

Ⅰ 创建“计算字段”，为表添加一个“编号”列

Ⅱ 点击鼠标右键，将“编号”转换为离散

Ⅲ 将“编号”拖动到行中

Ⅳ 创建“计算字段”，为表添加一个“页码”

Ⅴ 点击鼠标右键，将“页码”转换为离散

Ⅵ 当出现如下页面，完成如下操作

Ⅶ 当出现如下页面，完成如下操作

Ⅷ 当出现如下页面，完成如下操作

Ⅸ 效果展示

注意：使用同样的操作，我们还可以添加一个“客户名单”筛选器，效果如下。

② 客户价值分布

怎么将上述标签，改成百分比展示呢？效果如下：

③ 各类型客户总交易额占比

怎么给这个饼图添加百分比标签呢？(这个技巧需要注意)

Ⅰ 完成如下1，2，3处的操作

Ⅱ 这一步很关键，有点技巧，按住CTRL键，将“总和(总额)”拖动到标签中

怎么讲这个饼图变为圆环图呢？(圆环图更好看一些)，这里虽然有些难度，但是留给大家自己下去思考一下，实在不会可以问我。

④ 不同类型客户的人均消费

⑤ RF分布——M客户流失

  只要是做RFM分析，业内人士都喜欢拿RF值去看M，或者拿FM值去看R，或者拿RM值去看F，下面我们简单举一个例子，通过RF值去看M。

⑥ 忠诚度对比

  这里说的“忠诚度”，指的就是某个用户老来买，说明很喜欢这个产品，对该产品忠诚度较高，即“忠诚度”的衡量使用的是“F值(频度)”。

6、可视化大屏的布局展示

① 当出现如下界面，完成如下操作

② 给可视化大屏添加一个“背景效果”

③ 给可视化大屏取一个名字

(这里有一个技巧)

④ 拖动并布局

最后将之前做好的一个个图形，按住shift键，将其一个个拖动到右侧进行布局。

⑤ 进行多表联动的操作

Ⅰ 按照下图，完成如下操作

Ⅱ  接下来就是在下图中进行操作

Ⅲ  最终的交互效果如下

后台回复「进群」，加入读者交流群~