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~
