【商業模型】PowerBI RFM 3.X 發佈
- 2020 年 2 月 17 日
- 筆記
我們歷史上做過兩個 RFM 分析的模型，沒有任何問題，但那時的製作更多地在研究 DAX 實現的極致，而現在則完全不同，我們將回歸簡單，用最簡單的方式來實現如何支持業務的效果。最典型的案例莫過於我們發佈的【ABC動態分析精悍版】，只要兩個度量值就完成動態ABC分析。在很多教程中，動態 ABC 分析是最後的壓軸案例，但在這裡ABC分析是最簡單的模型。我們會陸續再釋放幾個經過極度簡化的非常棒的模型。
今天要說的RFM確實仍然是相對複雜的一個。這有着一些技術原因，如果您可以學習完我們的所有模型，你會慢慢發現其中的規律並逐漸理解為什麼有的模型會相對複雜，現在談這個有點早。我們直接進入主題吧。
先來看看什麼是一條龍：
請仔細觀察上圖，非常兇殘。用戶可以：
- 在RFM統計圖與RFM分析數據之間切換。
- 用戶可以通過條子圖，裏面選擇自己關注的用戶群體。
- 用戶也可以觀察用戶群體在三點圖的相對位置來得到一些信息，稍後展開。
- 用戶選擇群體後，可以點擊查看到明細。
- 用戶可以從明細鑽取到所關注的客戶。
- 並發起激活動作。
這樣，整個場景就形成了閉環。
為了讓本文具有一定的完整性，我們會整個再說明下 RFM 的概念。
什麼是 RFM
根據美國數據庫營銷研究所Arthur Hughes的研究，客戶數據庫中有三個神奇的要素，這三個要素構成了數據分析最好的指標：
- 最近一次消費(Recency)
- 消費頻率(Frequency)
- 消費金額(Monetary)
因此，稱該研究模型為：RFM。
最近一次消費：最近一次消費意指上一次購買的時候，顧客上一次是幾時來店裡、上一次根據哪本郵購目錄購買東西、什麼時候買的車，或在你的超市買早餐最近的一次是什麼時候。
消費頻率：消費頻率是顧客在限定的期間內所購買的次數。我們可以說最常購買的顧客，也是滿意度最高的顧客。如果相信品牌及商店忠誠度的話，最常購買的消費者，忠誠度也就最高。增加顧客購買的次數意味着從競爭對手處偷取市場佔有率，由別人的手中賺取營業額。
消費金額：消費金額是所有數據庫報告的支柱，也可以驗證「帕雷托法則」(Pareto』s Law)——公司80％的收入來自20％的顧客。它顯示出排名前10％的顧客所花費的金額比下一個等級者多出至少2倍，占公司所有營業額的40％以上。如看累計百分比的那一欄，我們會發現有40％的顧客貢獻公司總營業額的80％；而有60％的客戶占營業額的90％以上。
因此，最近一次消費、消費頻率、消費金額是測算消費者價值最重要也是最容易的方法，這充分的表現了這三個指標對營銷活動的指導意義。而其中，最近一次消費是最有力的預測指標。
RFM 分群
在實際操作中，可以定義：
- R： 一段時間內，客戶最近一次交易日期，與時間段終點越近越好
- F： 一段時間內，客戶交易的次數，次數越多越好
- M： 一段時間內，客戶的交易度量（如： 金額，利潤，利潤率），越大越好
首先，選定客戶群體的每個客戶，計算上述三個指標的值。 其次，從上述結果可以計算選定客戶群體的三個指標的（算術）平均值。
分群方法：
- 對於某個客戶，如果其R值高於群體平均R值，則該客戶屬於R↑，反之屬於R↓。
- 對於某個客戶，如果其F值高於群體平均F值，則該客戶屬於F↑，反之屬於F↓。
- 對於某個客戶，如果其M值高於群體平均M值，則該客戶屬於M↑，反之屬於M↓。
將上述客戶裝入三維空間，則可以形成如下的分群結構：
並作出如下的業務定義：
- R↑F↑M↑： 重要價值客戶
- R↑F↑M↓： 一般價值客戶
- R↑F↓M↑： 重要發展客戶
- R↑F↓M↓： 一般發展客戶
- R↓F↑M↑： 重要保持客戶
- R↓F↑M↓： 一般保持客戶
- R↓F↓M↑： 重要挽留客戶
- R↓F↓M↓： 一般挽留客戶
這裡的業務語義非常清晰，可以直接指導業務對不同群體的客戶產生影響的營銷改善策略。
PowerBI RFM 1.X
在 2018.4 我們發佈了第一個基於 PowerBI 的 RFM 模型。
這裏面，我們更多地把每個客戶當成了一個點，而為了追求【動態】和【全部可視化】，由於 RFM 的複雜性本身，作為使用者很難直觀獲益。
雖然我們將各種參數盡量參數化，讓模型有很好的擴展性，但問題這對使用者的要求是高的，而且由於同時計算大量客戶構成的點，會產生明顯的性能問題。
當然，即使有這麼多不足，對於 RFM 和 學習 DAX 本身來說，這個案例都是非常重要的。
PowerBI RFM 2.X
由於 PowerBI 的升級，以及我們對 DAX 的理解的提升，我們又改良得到了 RFM 的 2.X 版，如下：
在這一版，我們力求將 RFM 的動態性做到極致，可以看出，所有的計算全部保持動態，並且首次提出了將 3D 拍成 2D 的思路。
在PowerBI中是沒有這種3D空間型可視化的，即使有，也很難標記各種元素，因此，我們做了一個有意義的轉換：
- 取RFM中任意兩個指標，分別作為X，Y；
- 取RFM中剩餘的指標，作為大小；
- 再用元素本身的RFM分類繪製顏色。
這樣，就可以繪製散點圖，如下：
或：
或：
從視覺上看，似乎挺酷炫的，
但從中發現規律還是挺難的，並且有：
將所有的人展示，會大大影響計算性能。
因此，我們亟需有一種更加優化的模式。
PowerBI DAX RFM 3.X
於是我們迎來了 RFM 第三代優化。
這代優化是目前為止自己最為滿意的一次。它本着這樣的設計原則：
- 直接反映業務意義
- 可以從宏觀觀察宏觀規律
- 可以從宏觀鑽取到微觀
- 可以從微觀鑽取到明細
- 可以從明細發起行動
- 同時兼顧良好的性能
- 同時兼顧零號的動態性
這對 DAX 的寫法提出了非常高的要求。
我們依次來展開這些話題來深入研究 RFM 的實操，這也許是你看到的迄今為止最有意思的 RFM。
業務流程
對客戶的管理對企業至關重要，在 RFM 模型中，可以這樣操作：
宏觀洞察 – 3D 降維打擊
我們很難對 3D 圖形做出有效反應，所以，我們需要將 3D 圖形轉化為 2D，我們用下面的方式進行：
- RFM 的 8 個分類作為宏觀群體
- X軸 – R – 最近購買 KPI 的打分（0-100）
- Y軸 – F – 購買頻率 KPI 的打分（0-100）
- 點的大小 – M – 購買的數額 KPI 的打分（0-100）
於是有：
由於每個點表示一個客戶群體，那麼 X 和 Y 軸的 R 和 F 就可以用平均值來表示。
這裡，我們沒有再去讓用戶做出選擇，我們直接內定了顯示方式，這裡反應了這樣的規律：
- 兩個同方向的群體（如： R↑F↑）；
- 它們的縱向距離反應了頻率的差異；
- 它們的橫向距離反應了最近的差異；
- 點的差異反應了銷售額或 KPI 大小的差異。
這樣就形成了兩種有意義的觀察模式：
- 當 4 個部分來看，每部分有一個「雙星」系統構成；
- 當 8 個部分來看。
這樣，就實現了從 3D 到 2D 的降維，同時得到了良好的宏觀可觀察特性。
圖與表的切換 – 性能增強
可以看到：
用鼠標點擊【圖】可以切換成【表】，反之點擊【表】可以切換成圖。
由於圖表並不同時顯示，帶來了以下好處：
- 實現了先看宏觀再看數據的常規分析套路
- 節省了 PowerBI 報告篇幅，提高了信息密度
- 減少了複雜對象的同時加載，提升了性能。
保持交互篩選
可以看到：
當點擊不同客戶分類時，宏觀圖表，就像一個瞄準鏡一樣，鎖定了該類別。
鑽取到明細
瞄準鎖定一個類別，接着就要下鑽了，如下：
鑽通到原子數據
在對一個客戶實施行動前，可以最後看到他的明細，然後再做最後定奪。如下：
這裡的【激活客戶】可以通過 URL 的方式產生具體的響應。
從簡單到複雜再到簡單
這個案例再次詮釋了從簡單到複雜再回歸簡單的過程，這裡有着這樣的心路歷程變化：
- RFM 1.X – 實現 RFM，以點和動態性顯示所有客戶。
- RFM 2.X – 實現 RFM，將動態性做到極致。
- RFM 3.X – 實現 業務驅動，層次分明。
度量值體系
要實現這樣的 RFM，需要很高的度量值思維和實現技巧，我們得到最終結果是：
這裡的 X 可能是 R，F，M 任何一者，並形成擺列：
以及展開：
裏面的寫法相當精妙，就不再贅述了。
總結
RFM 是分析客戶的最重要模型之一。伴隨着微軟更新 PowerBI 的節奏，我們也調整了模型設計，使得 RFM 的實現更加簡單高效。
本文內容【源文件+視頻講解】從屬於：年度訂閱會員，已發佈請享用。
