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。python做RFM代码太复杂,使用Tableau多简单!_第1张图片

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:python做RFM代码太复杂,使用Tableau多简单!_第2张图片

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:python做RFM代码太复杂,使用Tableau多简单!_第3张图片

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:python做RFM代码太复杂,使用Tableau多简单!_第4张图片

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:python做RFM代码太复杂,使用Tableau多简单!_第5张图片

3、Tableau中进行RFM值的计算

① 连接MySQL数据库

python做RFM代码太复杂,使用Tableau多简单!_第6张图片

② 新建“自定义SQL”,获取我们用于分析的数据源

python做RFM代码太复杂,使用Tableau多简单!_第7张图片

③ 在工作表中,完成如下一系列操作

python做RFM代码太复杂,使用Tableau多简单!_第8张图片

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。python做RFM代码太复杂,使用Tableau多简单!_第9张图片  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:python做RFM代码太复杂,使用Tableau多简单!_第10张图片

M_SCORE的计算如下:

python做RFM代码太复杂,使用Tableau多简单!_第11张图片

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:python做RFM代码太复杂,使用Tableau多简单!_第12张图片

F_SCORE的平均值:python做RFM代码太复杂,使用Tableau多简单!_第13张图片

M_SCORE的平均值:python做RFM代码太复杂,使用Tableau多简单!_第14张图片

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python做RFM代码太复杂,使用Tableau多简单!_第15张图片

F值高低的判断python做RFM代码太复杂,使用Tableau多简单!_第16张图片

M值高低的判断python做RFM代码太复杂,使用Tableau多简单!_第17张图片

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

python做RFM代码太复杂,使用Tableau多简单!_第18张图片上表由于“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

python做RFM代码太复杂,使用Tableau多简单!_第19张图片

Ⅱ 点击鼠标右键,将“编号”转换为离散

python做RFM代码太复杂,使用Tableau多简单!_第20张图片

Ⅲ 将“编号”拖动到行中

python做RFM代码太复杂,使用Tableau多简单!_第21张图片

Ⅳ 创建“计算字段”,为表添加一个“页码”

python做RFM代码太复杂,使用Tableau多简单!_第22张图片

Ⅴ 点击鼠标右键,将“页码”转换为离散

python做RFM代码太复杂,使用Tableau多简单!_第23张图片

Ⅵ 当出现如下页面,完成如下操作

python做RFM代码太复杂,使用Tableau多简单!_第24张图片

Ⅶ 当出现如下页面,完成如下操作

python做RFM代码太复杂,使用Tableau多简单!_第25张图片

Ⅷ 当出现如下页面,完成如下操作

python做RFM代码太复杂,使用Tableau多简单!_第26张图片

Ⅸ 效果展示

python做RFM代码太复杂,使用Tableau多简单!_第27张图片注意: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。python做RFM代码太复杂,使用Tableau多简单!_第28张图片

② 客户价值分布

python做RFM代码太复杂,使用Tableau多简单!_第29张图片

怎么将上述标签,改成百分比展示呢?python做RFM代码太复杂,使用Tableau多简单!_第30张图片效果如下:python做RFM代码太复杂,使用Tableau多简单!_第31张图片

③ 各类型客户总交易额占比

python做RFM代码太复杂,使用Tableau多简单!_第32张图片

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

python做RFM代码太复杂,使用Tableau多简单!_第33张图片

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

python做RFM代码太复杂,使用Tableau多简单!_第34张图片

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。python做RFM代码太复杂,使用Tableau多简单!_第35张图片

④ 不同类型客户的人均消费

python做RFM代码太复杂,使用Tableau多简单!_第36张图片

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。python做RFM代码太复杂,使用Tableau多简单!_第37张图片

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)”。python做RFM代码太复杂,使用Tableau多简单!_第38张图片

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

python做RFM代码太复杂,使用Tableau多简单!_第39张图片

② 给可视化大屏添加一个“背景效果”

python做RFM代码太复杂,使用Tableau多简单!_第40张图片

③ 给可视化大屏取一个名字

(这里有一个技巧)

python做RFM代码太复杂,使用Tableau多简单!_第41张图片

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。

python做RFM代码太复杂,使用Tableau多简单!_第42张图片

⑤ 进行多表联动的操作

Ⅰ 按照下图,完成如下操作

python做RFM代码太复杂,使用Tableau多简单!_第43张图片

Ⅱ  接下来就是在下图中进行操作

python做RFM代码太复杂,使用Tableau多简单!_第44张图片

Ⅲ  最终的交互效果如下

python做RFM代码太复杂,使用Tableau多简单!_第45张图片

python做RFM代码太复杂,使用Tableau多简单!_第46张图片

python做RFM代码太复杂,使用Tableau多简单!_第47张图片

python做RFM代码太复杂,使用Tableau多简单!_第48张图片

后台回复「进群」,加入读者交流群~

你可能感兴趣的:(python做RFM代码太复杂,使用Tableau多简单!)