数据分析学习过程——Tableau客户存留分析模型

比起客户生命周期模型和客户RFM价值模型,客户存留模型相对简单,它衡量我们留住新客户的能力,不过简单可不意味着用处少!在适合的场景下也可以发挥很好的分析作用。所以,没有低级的模型,用得好才是关键。

一、数据集准备:以Tableau软件自带的超市数据进行分析。

二、客户存留分析模型

1、每年新客户的数量

每年新客户的数量

首先查看每年新客户的数量,可以明显看出,新客户的数量一年比一年少。这里要注意,因为数据是从2013年开始统计的,所以506个并不全是2013年的新客户数量,其中有一部分是之前积累下来的客户数量。

2、创建客户存留模型

客户存留模型1

如图,例如2014年有202个新客户,到了2015年只剩下168个,到2016年还有177个(相比前一年又回来了9个客户),所以2015年留存率为168/202,2016年的留存率为44/52,但在表格上是斜对着,我们可以将订单日期改为相对时间,将能变成竖着对齐了。

逝去的时间

计算客户的订单日期相对于第一次购买的时间,将订单日期替换为逝去的时间,如下图。

客户存留模型2

如上所示,利用快速表计算里的合计百分比,即可得上图。可以清晰得看出每年的客户存留率,如2014年的新客户,到2015年的存留率为83%,再往下一年就是88%,有所变好。

这里需要注意的是,该数据集其实并不适合用来做客户存留分析模型,因为在之前的过程中我们知道,2016年的产品购买次数最大值是8,且大部分客户的购买次数都在4以下,而客户存留分析模型适用的条件是需要有一定频率的购买行为。

客户存留模型3

在上图中,如果我们按照季度或月份来看的话,可以发现有很多地方显示客户流失,但仅是因为客户没有在该季度或月份有购买产品,但我们的客户本身购买频率就不高,因此这并不能说明客户已经流失。但如果以年为单位构建客户存留模型,数据的时效性就很差,等到一年后再来分析客户的存留率,客户已经走了,已然没有挽留的余地,很明显意义不大。综上所述,这是该数据集所带来的不适用问题。

3、创建参数-时间间隔

参数-时间间隔
逝去的时间
客户存留模型4

创建参数后,就可以用参数控件来对逝去的时间进行选择,有利于进行灵活分析。

4、应用场景和注意事项

(1)在实际的业务场景中,购买行为可以用其他更适合的行为灵活代替,例如APP中的登陆上线。

(2)该模型只适用于高频率的场景,而且客户行为的停止意味着客户的流失。

(3)所选的时间间隔应该符合客户的购买频率,如果某类客户一周不购买就可以当作流失,那么时间间隔应该设置为周。

你可能感兴趣的:(数据分析学习过程——Tableau客户存留分析模型)