本文来自于公众号读者投稿。作者Suke，数据爱好者，主攻方向：数据分析，数据产品化。
RFM模型简介
RFM模型是衡量客户价值和客户创利能力的重要工具和手段。本文介绍如何通过用户的交易行为的明细数据，利用Tableau对RFM模型进行实现，从而可以对其进行分析。
RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期交易行为、交易的总体频率以及交易金额三项指标来描述该客户的价值状况。
R-最近一次消费（Recency），通常影响因素为店铺的记忆强度，接触机会的多少，回购周期等。这个指标会用于决定客户接触策略，接触频次，刺激力度等。
F-消费频率（Frequency），通常影响因素为品牌的忠诚度，店铺熟悉度，客户会员等级，购买习惯等。这个指标会用于决定资源投入，营销优先级，活动方案决策等。
M-消费金额（Monetary）,通常影响因素为消费能力和产品的认可度。这个指标会用于决定推荐商品，折扣门槛，活动方案等。
依据上述RFM这三个指标，可以将客户群划分为8类客户价值。
（图注：本图来自point数据分析课程讲义）
看到以上的8类客户价值，那我们每一类客户的分布到底是怎样的呢？如何才能算出我们想了解的客户价值分类的客户占比？下面我们就来看一下。
tableau实现的客户价值分类效果图
本次我们使用tableau来探究RFM模型，tableau能把数据分为度量和维度两种。度量和维度的介绍可以参考下面链接：
https://help.tableau.com/current/pro/desktop/zh-cn/datafields_typesandroles.htm
可以在原数据的基础上，根据需要建立新的字段。只需要简单的拖拽，就可以很方便的作出图形。
◆ ◆ ◆ ◆ ◆
RFM模型实现
我们分5步用tableau实现RFM模型。
Step1：数据预处理
这一环节主要是对数据格式进行处理，并添加新的数据列便于后续使用。本文数据使用tableau自带数据“示例-超市”，数据是客户在超市购物的清单，每件商品一条记录。打开tableau可以在链接到文件中加载数据源文件，或者直接双击打开tableau工作簿。
打开tableau加载数据
数据样例展示(部分字段)
加载数据源后，tableau会自动根据数据分为维度和度量两种数据列。先对数据源维度进行分组整理，如图中绿框中所示，分为产品，客户，订单，订单地区等，便于后续数据使用时的字段查找。数据源中的【销售额】字段为“￥43”这样的字符串，因此需要对其进行变换拆分，获得【销售额-拆分1】字段，并拖至度量区。
维度自动分组，拆分【销售额字段】
Step2：R值建设：最近一次消费（Recency）
首先创建【最近一次的购物时间】，然后通过最近一次消费时间计算【R最近一次购物距离当前的日期差】（也可以是对固定的日期），通过经验或者【R最近一次购物距离当前的日期差】的分布确定【R参考值】，然后通过对比参考值与【R最近一次购物距离当前的日期差】的大小，标注出【R标记值】。最终效果如下：
最近一次下单时间分布
通过对【最近一次的购物时间】分布的观察可知，大部分客户在近期在超市有过购物行为。
操作步骤：
在维度或者度量的空白区域右键，点击创建计算字段。
创建计算字段
创建【客户最后一次下单时间】，其计算公式为{FIXED[客户 Id]:MAX([订单日期])} （如下图所示），表示对于固定的客户，获取最大的（最近的）的时间，即为客户的最近一次下单时间。
创建【客户最后一次下单时间】字段
创建【R最近一次购物距离当前的日期差】，其计算公式为DATEDIFF('day',[客户最后一次下单时间],#2017-01-01#) ，表示对于固定的客户，计算最后一次下单的时间与2017年1月1日的日期差（由于数据均为2017年之前的数据，因此选择该日期为标准日期）。
创建【R参考值】，其计算公式为{FIXED:MEDIAN([R最近一次购物距离当前的日期差])} ，此处用【R最近一次购物距离当前的日期差】的中位数作为分界点。如果业务有可以参考的经验值，也可以直接把此处的公式替换为经验值。
创建【R标记值】，其计算公式为IF([R最近一次购物距离当前的日期差]>[R参考值]) THEN 0 ELSE 1 END。查看【最近一次的购物时间】分布，如图进行配置，X轴为【客户最后一次下单时间】，y轴为【客户 Id】，选择快速表计算-总额百分比，可以获取每个月的末次访问占总人群的百分比数量。
查看最近一次购物时间分布的设置步骤
Step3：F值建设：消费频率（Frequency）
首先创建【F客户累计单数】，然后通过经验或者【F客户累计单数】的分布确定【F参考值】，然后通过对比参考值与【F客户累计单数】的大小，标注出【F标记值】。最终效果如下：
客户累计订单数分布
通过对【F客户累计单数】分布的观察可知，客户对超市的访问生命周期大约在5-7次。（此处是对历史累计单量进行讨论，也可由于业务的差异判断固定时间段内的订单数据）。
操作步骤：
创建【F客户累计单数】，其计算公式为{FIXED[客户 Id]:COUNTD([订单 Id]) } ，表示对于固定的客户，获取累计单数。
创建【F参考值】，其计算公式为{FIXED:MEDIAN([F客户累计单数])} 。
创建【F标记值】，其计算公式为IF([F客户累计单数]>[F参考值]) THEN 1 ELSE 0 END。
查看【F客户累计单数】分布，先创建【F客户累计单数（数据桶）】（如图所示，桶的步长可以按照需要设定，此处设定为1），以【F客户累计单数（数据桶）】为X轴，【F客户累计单数】-计数 为Y轴，可获取【F客户累计单数】分布。
查看客户累计单数分布的设置步骤
Step4：M值建设：消费金额（Monetary）
首先创建【M客户累计金额】，然后通过经验或者【M客户累计金额】的分布确定【M参考值】，然后通过对比参考值与【M客户累计单数】的大小，标注出【M标记值】。
操作步骤：
创建【M客户累计金额】，其计算公式为{FIXED[客户名称]:SUM([销售额])} ，表示对于固定的客户，获取累计单数。创建【M参考值】，其计算公式为{FIXED:MEDIAN([M客户累计金额])} 。创建【M标记值】，其计算公式为IF([M客户累计金额]>[M参考值]) THEN 1 ELSE 0 END。
Step5：客户价值分类建设
操作步骤：
创建【 客户价值分类】，其计算公式为
代码语言：javascript复制IF [R标记值]=1 and[F标记值]=1 and [M标记值]=1 then '重要价值用户'
ELSEIF [R标记值]=0 and[F标记值]=1 and [M标记值]=1 then '重要唤回用户'
ELSEIF [R标记值]=1 and[F标记值]=0 and [M标记值]=1 then '重要深耕用户'
ELSEIF [R标记值]=0 and[F标记值]=0 and [M标记值]=1 then '重要挽回用户'
ELSEIF [R标记值]=1 and[F标记值]=1 and [M标记值]=0 then '潜力用户'
ELSEIF [R标记值]=1 and[F标记值]=0 and [M标记值]=0 then '新用户'
ELSEIF [R标记值]=0 and[F标记值]=1 and [M标记值]=0 then '一般维持用户'
ELSEIF [R标记值]=0 and[F标记值]=0 and [M标记值]=0 then '流失用户'
END查看【客户价值分类】客户分布，用【客户价值分类】作为X轴，用【客户 Id】-计数（不同）作为Y轴，选择快速表计算-总额百分比。在【标记】部分复制【客户 Id】-计数（不同）到【标签】（mac端操作为：鼠标选中同时按command或者control键），可以柱状图上显示出其在人群中的占比。
查看不同RFM类型客户占比的设置步骤
至此，你就可以利用RFM模型做出一套完成的客户分类模型。利用该模型，分维度下钻研究，看客户在不同地区，不同客户类型，不同产品品类上客户的表现。下图以下钻地区维度为例，可以看出西北地区的重要价值客户较多，客户构成比例较好。
按地区下钻的RFM模型
上述只是基础的RFM实现思路，但是其中关于分类维度的选取（如何定义R，F，M），划分阈值选取是作为一个分析师还可深入探究。数据模型只是分析的开场白，还有很多业务内容是值得我们去深究的。
