客户分析就是根据客户信息数据来分析客户特征，评估客户价值，从而为客户制订相应的营销策略与资源配置。通过合理、系统的客户分析，企业可以知道不同的客户有着什么样的需求，分析客户消费特征与商务效益的关系，使运营策略得到最优的规划；更为重要的是可以发现潜在客户，从而进一步扩大商业规模，使企业得到快速的发展。

　　企业客户分析可以从以下几个方面入手，对客户数据信息展开分析：

　　1、分析客户个性化需求

　　“以客户为中心”的个性化服务越来越受到重视。实施CRM的一个重要目标就是能够分析出客户的个性化需求，并对这种需求采取相应措施，同时分析不同客户对企业效益的不同影响，以便做出正确的决策。这些都使得客户分析成为企业实施CRM时不可缺少的组成部分。

　　2、分析客户行为

　　企业可以利用收集到的信息，跟踪并分析每一个客户的信息，不仅知道什么样的客户有什么样的需求，同时还能观察和分析客户行为对企业收益的影响，使企业与客户的关系及企业利润得到最优化。

　　3、分析有价值的信息

　　利用客户分析系统，企业不再只依靠经验来推测，而是利用科学的手段和方法，收集、分析和利用各种客户信息，从而轻松的获得有价值的信息。如企业的哪些产品最受欢迎，原因是什么，有什么回头客，哪些客户是最赚钱的客户，售后服务有哪些问题等。客户分析将帮助 企业充分利用其客户关系资源，在新经济时代从容自由地面对客户。

目前国内企业对客户的分析还很欠缺，分析手段较为简单，而简单的统计方法虽然可以在一定程度上得出分析结果，但因为不同企业发展中存在一定的不平衡性，利用简单的统计模式得出的结论容易有较大的误差，难以满足企业的特殊需求。因而企业需要有更加完善、合理的客户分析方案，进一步提高客户分析的合理性、一致性，并能在对 潜在客户的培养和发现中提供更多的决策支持。

本文将使用客户RFM模型来衡量客户价值，当然仅一个模型也无法完整并系统的分析客户，还是需要结合CRM系统中的数据，切勿过度依赖该模型来分析客户价值。该模型仅供决策参考。接下来我们来看一下RFM模型是什么？

客户RFM数据分析

RFM分析（Recency，Frequency，Monetary）是用来细分用户和衡量客户价值的一个重要工具，就是根据客户活跃程度和交易金额的贡献，进行客户价值细分的一种方法。

RFM的含义：

R（Recency）：客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。

F（Frequency）：客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。

M（Monetary）：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。

本文中通过分析某个店铺客户消费数据，将会员分为以下8种，以便有针对性的做营销决策，实现精细化运营：

RFM定义

一、RFM数据源

我们准备的数据源中有很多的字段，由RFM模型的含义可知。我们需要通过订单日期判断R值，订单ID判断F值，销售额判断M值，客户ID是基础数据，其他的字段就是冗余字段

RFM数据源

二、RFM值

1、确定R值

确定R值为指定日期和最近购买日期之间的差异天数，计算每个客户的最近一次消费日期。再根据截止日期的时间和最后一个交易日期的差值

RFM R =

AVERAGEX( DISTINCT('维度_客户'[客户名称]) ,

CALCULATE(

AVERAGEX( '事实_订单', DATEDIFF( [订单日期] , LASTDATE( '维度_RFM日期'[Date] ) , DAY ) ) ,

TREATAS( VALUES( '维度_RFM日期'[Date] ) , '事实_订单'[订单日期])

)

)

R最大值

RFM R MAX =

MAXX( ALL('维度_客户'[客户名称]) ,

CALCULATE(

AVERAGEX( '事实_订单' , DATEDIFF( [订单日期] , LASTDATE( '维度_RFM日期'[Date] ) , DAY ) ) ,

TREATAS( VALUES( '维度_RFM日期'[Date] ) , '事实_订单'[订单日期])

)

)

R最小值

RFM R MIN =

MINX( ALL( '维度_客户'[客户名称]) ,

CALCULATE(

AVERAGEX( '事实_订单' , DATEDIFF( [订单日期] , LASTDATE( '维度_RFM日期'[Date] ) , DAY ) ) ,

TREATAS( VALUES( '维度_RFM日期'[Date] ) , '事实_订单'[订单日期] )

)

R平均值

RFM R AVG = CALCULATE( [RFM R] , ALL('维度_客户') )

2、确定F值

交易次数值需要感觉非重复计数获得，这里根据虚拟关系筛选计数顾客交易次数

RFM F =

AVERAGEX( DISTINCT('维度_客户'[客户名称]) ,

CALCULATE('度量值'[顾客交易次数] , TREATAS( VALUES('维度_RFM日期'[Date]) , '事实_订单'[订单日期]))

)

F最大值

RFM F MAX =

MAXX( ALL('维度_客户'[客户名称]) ,

CALCULATE('度量值'[顾客交易次数] , TREATAS( VALUES('维度_RFM日期'[Date]) , '事实_订单'[订单日期]))

)

F最小值

RFM F MIN = MINX( ALL('维度_客户'[客户名称]) ,  CALCULATE('度量值'[顾客交易次数] , TREATAS( VALUES('维度_RFM日期'[Date]) , '事实_订单'[订单日期])))

F平均值

RFM F AVG = CALCULATE( [RFM F] , ALL('维度_客户') )

3、确定M值

M值为每个客户共享的销售金额

RFM M = AVERAGEX( DISTINCT( '维度_客户'[客户名称]) ,  CALCULATE('度量值'[销售金额], TREATAS( VALUES( '维度_RFM日期'[Date] ) , '事实_订单'[订单日期] ) ))

M最大值

RFM M MAX = MAXX( ALL( '维度_客户'[客户名称]) , CALCULATE('度量值'[销售金额], TREATAS( VALUES( '维度_RFM日期'[Date] ) , '事实_订单'[订单日期] ) ))

M最小值

RFM M MIN = MINX( ALL('维度_客户'[客户名称]) , CALCULATE('度量值'[销售金额], TREATAS( VALUES( '维度_RFM日期'[Date] ) , '事实_订单'[订单日期]) ))

M平均值

RFM M AVG = CALCULATE( [RFM M] , ALL( '维度_客户' ) )

三、确定客户类型

确定RFM值后，我们将R、F、M分别与平均值比较，计数出RFM的得分情况

RFM R 分数 = IF( NOT ISBLANK( [RFM R] ) , DIVIDE( [RFM R MAX] - [RFM R] , [RFM R MAX] - [RFM R MIN] ) * 100 )

RFM F 分数 = IF( NOT ISBLANK( [RFM F] ) , DIVIDE( [RFM F] - [RFM F MIN] , [RFM F MAX] - [RFM F MIN] ) * 100 )

RFM M 分数 = IF( NOT ISBLANK( [RFM M] ) , DIVIDE( [RFM M] - [RFM M MIN] , [RFM M MAX] - [RFM M MIN] ) * 100 )

四、新建辅助表

1、新建RFM分类表

可以直接输入数据，也可以通过Excel导入数据。

RFM分类表

2、新建权重参数表

权重参数从0到100进行设定

参数_RFM R权重 = GENERATESERIES(0, 100, 1)

参数_RFM F权重 = GENERATESERIES(0, 100, 1)

参数_RFM M权重 = GENERATESERIES(0, 100, 1)

3、新建TOP参数表

参数_RFM TOP X = GENERATESERIES(0, 100, 1)

五、制作可视化报告

1、制作表格，拖放已经计算好的数据

表格

2、制作客户RFM权重占比环形图

权重占比环形图

3、制作客户分类占比环形图

分类占比环形图

4、制作客户RFM得分排名条形图

排名条形图

5、制作切片器

切片器拖放辅助表中的权重R\F\M字段和TopX字段，并设置显示格式为下拉。日期切片器直接设置开启滑块

切片器制作

六、总结

客户RFM分析首先需要根据订单数据来计算RFM的值，其次通过辅助表进行补充动态设定的参数。再次通过RFM的值和最大值、最小值对比使用平均函数进行计算出RFM得分情况。通过辅助表客户分类维度，来确定客户所属分类。该模型可以动态根据企业对R,F，M设定不同的权重来计算客户的价值。

对于销售分析的指标的分析模型还有动态ABC分析模型，在后续得文章中会给大家展现。

动态ABC分析