利用 Power BI 实现 RFM 分析
以下使用RFM模对用户在CDNOW网站的消费行为进行分析（利用Python对数据进行全面分析详见链接：https://zhuanlan.zhihu.com/p/98102570）：
数据获取
数据来源于CDNOW，链接：http://www.brucehardie.com/datasets/
数据预处理
打开Power BI软件，点击获取数据，选择文本/CSV获取数据。
数据集一共包含5个字段，点击转化数据进行数据预处理。
- 删除空白列
- 将4个字段分别重命名为：
- user_id：用户ID
- order_dt：购买日期
- order_products：购买产品数
- order_amount：购买金额
- 删除重复项
数据清洗后，在主页里点击关闭并应用。
计算R、F、M值
计算R值
因order_dt列的数据无法自动转换成日期格式，点击数据页面，新建列order_dt2，DAX函数如下：
order_dt2=LEFT([order_dt],4)&“/”&MID([order_dt],5,2)&“/”&RIGHT([order_dt],2)
将order_dt2列的数据类型改为日期格式，并将日期格式自定义为(yyyy/mm/dd)的格式。
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(CDNOW_master,EARLIER(CDNOW_master[user_id])=CDNOW_master[user_id]),CDNOW_master[order_dt2])
设置当前的交易日期为度量值：
lastdate = LASTDATE(ALLSELECTED(CDNOW_master[最后一个交易日期]))
新建列计算R值，并将其转化为整数，计算交易的间隔天数：
R = [lastdate]- CDNOW_master[最后一个交易日期].[Date]
计算F值
选择新建度量值，计算每一单的交易频次：
F = COUNT(‘CDNOW_master’[user_id])
计算M值
选择新建度量值，计算每一单的交易金额：
M = SUM(CDNOW_master[order_amount])
计算R、F、M综合分值
将R、F、M值各自按照平均值划分为高、低两类，高于平均值的赋值为1，低于平均值的赋值为0，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。
新建列，使用AVERAGE函数，分别计算R、F、M的平均值。
算出R、F、M的得分：
R得分 = IF(‘RFM’[R]<=RFM[AVG_R],1,0)
F得分 = IF(‘RFM’[F]>=RFM[AVG_F],1,0)
M得分 = IF(‘RFM’[M]>=RFM[AVG_M],1,0)
合并RFM值：
RFM = ‘RFM’[R得分]&‘RFM’[F得分]&‘RFM’[M得分]
RFM分层模型
根据RFM的综合分值对用户进行分层，使用SWITCH函数将其分为8类：
客户分层 = SWITCH(RFM[RFM], “111”,“重要价值客户”,
“011”,“重要保持客户”,
“101”,“重要挽留客户”,
“001”,“重要发展客户”,
“110”,“一般价值客户”,
“010”,“一般保持客户”,
“100”,“一般挽留客户”,
“000”,“一般发展客户”)
数据可视化
数据建模后，将CDNOW_master表和RFM表连接起来。
制作Dashboard，根据用户RFM分层添加图表及筛选器，数据可视化结果如下图所示。
分析结论
从用户分层结果可知：
- 一般发展客户占较大比重，占比58%，该部分客户质量较低，购买金额和次数较少，且为消费时点较远，回购的可能性低，非重点客户；
- 重要价值客户约4600人，占比排第二，占比20%，该部分老客户忠诚度较高，业绩贡献度稳定在20%，需重点维护，保持客户粘性；
- 其他类型客户占比较小，其中一般价值客户占比8.35%，约2000人，该类客户交易频次多且近期活跃，但交易金额小，可以对该部分客户主动增加营销活动，推出优惠措施，采取积极手段鼓励用户再次消费或者推荐价值更高的产品。