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。