我在京东做数据分析，企业级商业数据分析，RFM客户分类模型

　　本节给大家介绍的是RFM模型，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，通过一个客户的近期购买行为、购买的总体频率以及消费额度三个指标来描述该客户的价值状况。其中，用R（Recency）表示交易间隔、F（Frequency）表示交易频度、M（Monetary）表示交易金额组成，具体的含义如下表格所示：
　　首先，计算R、F和M的分值，计算方法是在各自的维度上分为高低两类，分值高记为2，分值低记为1，R、F和M三个指标两两组合，可以得出8个不同的RFM值，按照实际情况分为8大客户群体，具体分类规则如下所示：
　　数据预处理
　　本节所使用到的数据是.CSV数据，打开Power BI软件，点击获取数据，从文本中获取本节所使用的数据。
　　本文所使用的数据集一共包含七个字段和5500条样本，这些字段分别是用户id，用户出生日期，下单时间，订单ID、支付方式、支付金额和是否享受折扣，点击转化数据进行数据预处理。
　　右键用户id字段删除重复值，这里需要用户id字段标记唯一。
　　右键订单日期列，在数据类型中更改数据类型为日期。
　　数据清洗后，在主页里点击关闭并应用。
　　计算R、F、M值
　　点击数据页面，将订单日期的日期格式自定义为(yyyy/mm/dd)的格式。
　　右键选择新建列，写入DAX函数，计算最后一个交易日期。 最后一个交易日期=MAXX(FILTER(＂Orders＂,EARLIER(＂Orders＂[Uid])=＂Orders＂[Uid]),＂Orders＂[Order_Date])
　　将最后一个交易日期的日期格式自定义为(yyyy/mm/dd)的格式。
　　同样，新建一列，计算R的值，并将其转化为整数，这里设置当前的交易日期为2018/11/11，以此来计算交易的间隔天数。 R = DATE(2018,11,11)-＂Orders＂[最后一个交易日期].[Date]
　　点击报表，选择新建度量值，计算每一单的交易频次。 F = DISTINCTCOUNT(＂Orders＂[Order_Id])
　　同理计算每一单的交易金额。 M = SUM(＂Orders＂[Pay_Amt])计算R、F、M综合分值
　　计算完R、F、M的值后，需要将他们各自按照平均值划分为高、低两类，高于平均值的赋值为2，低于平均值的赋值为1，在建模中选择新建表，用函数将用户ID、R、F、M的值组成一张新表。 RFM = SUMMARIZE(＂Orders＂,＂Orders＂[Uid],＂Orders＂[R],＂F＂,[F],＂M＂,[M])
　　新建列，使用AVERAGE函数，分别计算R、F、M的平均值。 AVG_R = AVERAGE(RFM[R])AVG_F = AVERAGE(RFM[F])AVG_M = AVERAGE(RFM[M])
　　算出R、F、M的得分，其中当R值小于平均值时，赋值为2，大于平均值时，赋值为1；F值大于平均值时，赋值为2，小于平均值时，赋值为1；M值大于平均值时，赋值为2，小于平均值时，赋值为1； R得分 = IF(＂RFM＂[R]<=RFM[AVG_R],2,1)F得分 = IF(＂RFM＂[F]>=RFM[AVG_F],2,1)M得分 = IF(＂RFM＂[M]>=RFM[AVG_M],2,1)
　　合并RFM值，使用连接符连接起来。 RFM = ＂RFM＂[R得分]&＂RFM＂[F得分]&＂RFM＂[M得分]
　　RFM会员分组
　　依据前文提到的分组依据，这里按照RFM的综合分值进行分组，使用SWITCH函数将其分为8类。 会员分组 = SWITCH( ＂RFM＂[RFM],                    ＂111＂,＂流失会员＂,                    ＂112＂,＂重要挽留会员＂,                    ＂121＂,＂一般保持会员＂,                    ＂122＂,＂重要唤回会员＂,                    ＂211＂,＂新会员＂,                    ＂212＂,＂重要深耕会员＂,                    ＂221＂,＂潜力会员＂,                    ＂222＂,＂重要价值会员＂)
　　数据可视化
　　数据建模后，点击模型，将Orders表和RFM表连接起来。
　　研究不同会员的分布情况，点击簇状条形图，将会员分组拖入到轴，同时拖入到值，设置为计数，可以在格式里面设置标题、数据标签、数据颜色等。
　　研究不同会员的占比情况，选择圆环图，将会员分组拖入到图例，同时拖入到值，设置为计数，可以在格式里面设置标题、数据标签、数据颜色等。
　　研究不同会员业绩的贡献度，选择瀑布图，将会员分组拖入到类别，将M值拖入到值，并设置值为占总和的百分比。
　　要查看具体的分组明细，可以将对应的字段拖入到值，如果要修改某个字段的名称，双击字段值可以对其进行列名的自定义修改。
　　突出数据标记，可以选择卡片图，拖入对应的字段儿，这里将字段设置为平均值。
　　除此之外，还可以给这个Dashboard加一个筛选器，并添加标题，图表对齐，设置合适的大小，数据可视化的结果如下所示。
　　结论建议
　　对于结果可视化作图分析，可以得出，其中重要价值会员数最多，重要深耕会员数最少，重要价值会员数850个，占比30.12%，重要深耕会员数6个，占比0.21%。从会员的业绩贡献度来看，重要价值会员业绩贡献50.19%，重要深耕会员业绩贡献仅0.23%。
　　通过RFM模型分类后发现，重要价值会员数最多，这部分会员最近一次交易时间近、交易频次高、交易金额大，是优质会员，针对这部分会员，可以加大一些优惠力度，倾斜更多的资源，比如VIP服务、个性化服务、附加销售、享受高折扣优惠服务等。
　　而流失会员数也较多，这部分会员最近一次交易时间长、交易频次低、交易金额小，有流失风险，鉴于这部分客户数占比较多，优先考虑挽回，可主动增加造访机会，推荐价值更高的产品，或一些优惠措施来挽回客户。