Python做RFM代码太复杂，使用Tableau多简单！

👇👇关注后回复 “进群” ，拉你进程序员交流群👇👇

作者丨黄伟呢

来源丨凹凸数据

大家好，我是小五🧐

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'))))))))