Phân tích RFM với Power BI

May 09 2022
Phân khúc khách hàng với Phân tích RFM Bảng nội dung Tổng quan về RFM Mô hình RFM Phân khúc RFM Phân tích điểm RFM Phân tích Power BI Phân tích RFM gia tăng giá trị cho doanh nghiệp như thế nào? RFM là một kỹ thuật tiếp thị được sử dụng để xếp hạng định lượng và phân nhóm khách hàng dựa trên số lần truy cập gần đây, tần suất và tổng số tiền của họ để phân khúc họ thành một nhóm đồng nhất. R - ngày gần đây nhất mà khách hàng mua hàng từ doanh nghiệp F - tần suất khách hàng mua hàng từ doanh nghiệp M - giá trị tiền tệ của giao dịch mua hàng của khách hàng.

Phân khúc khách hàng với Phân tích RFM

tín dụng: google hình ảnh

Mục lục

Tổng quan về RFM

Mô hình RFM

Phân đoạn RFM

Điểm RFM

Phân tích Power BI

  • Làm sạch dữ liệu
  • Nhận các giá trị RFM
  • Tính điểm RFM

Làm thế nào để phân tích RFM gia tăng giá trị cho doanh nghiệp?

RFM là một kỹ thuật tiếp thị được sử dụng để xếp hạng định lượng và phân nhóm khách hàng dựa trên số lần truy cập gần đây, tần suất và tổng số tiền của họ để phân khúc họ thành một nhóm đồng nhất.

R - ngày gần đây nhất mà khách hàng đã mua hàng từ doanh nghiệp

F - tần suất khách hàng mua hàng từ doanh nghiệp

M - giá trị tiền tệ của giao dịch mua của khách hàng.

Tần suất và giá trị tiền tệ cung cấp thông tin chi tiết về Giá trị lâu dài của khách hàng trong khi Lần truy cập gần đây đo lường tỷ lệ giữ chân và cung cấp thông tin chi tiết về tỷ lệ giữ chân và mức độ tương tác của khách hàng

Mô hình RFM

Mô hình RFM xếp hạng khách hàng thành các phân khúc hoặc danh mục khác nhau dựa trên số lần truy cập gần đây, tần suất và điểm số tiền tệ của họ. Điểm RFM trên thang điểm từ 1–5 với một là thấp nhất và 5 là cao nhất.

Điểm số lần truy cập gần đây thấp, tức là 1/2 cho biết rằng gần đây khách hàng đã mua hàng từ cửa hàng của bạn. Điều này trái ngược với Tần suất và Tiền tệ vì điểm F và M thấp cho thấy rằng khách hàng hiếm khi ghé thăm hoặc chi nhiều tiền vào cửa hàng của bạn.

Các giá trị lần truy cập gần đây, tần suất và giá trị tiền tệ đã được tính toán dựa trên các giá trị trong tập dữ liệu.

Điểm được viết là 123 hoặc 534 với số đầu tiên đại diện cho điểm R, số thứ hai đại diện cho điểm F và số thứ ba đại diện cho điểm M.

Các loại phân khúc khách hàng khác nhau có thể được tạo bằng mô hình RFM, tôi đã áp dụng các phân đoạn được đề xuất trong bài viết này . Nó cũng giải thích phân tích RFM một cách chi tiết.

Phân đoạn RFM

Các phân đoạn và điểm số RFM được xác định cho từng doanh nghiệp và có thể khác nhau đối với các doanh nghiệp.

Hình 1: Phân đoạn RFM

Điểm RFM

Hình 2: Điểm RFM cho từng phân đoạn

Chúng ta hãy cùng làm bẩn tay với phân tích Power BI

Tập dữ liệu: Tôi đã sử dụng tập dữ liệu siêu kho cho phân tích này.

Làm sạch dữ liệu:

  1. Xóa các cột khác: Dữ liệu có quá nhiều cột, vì vậy tôi đã xóa tất cả các cột mà tôi không cần. Đối với phân tích này, tôi chỉ cần ba cột: customer_name, Order_date, Sales_amount và Product (không thực sự cần cái này, chỉ cần kéo nó vào).
  2. Các cột được đổi tên: Ban đầu tôi sử dụng Mockaroo để tạo dữ liệu giả, nhưng nó không cho kết quả như tôi mong muốn. Tôi muốn phân tích dữ liệu cho một công ty tư vấn. Tôi đã đổi tên các cột thành tên áp dụng cho một công ty tư vấn.

Tên sản phẩm - Dịch vụ được kết xuất

Bán hàng - Số tiền

3. Loại đã thay đổi: Tôi đã thay đổi kiểu dữ liệu của một số cột như cột Sales_amount thành Số thập phân cố định thay vì Thập phân để Power BI có thể nhận ra nó là trường tiền tệ

Phân tích dữ liệu với DAX

Nhận các giá trị R, F và M của tôi

R - vì R đo lường giao dịch gần đây nhất, chúng tôi cần lấy ngày giao dịch cuối cùng của mỗi khách hàng để xác định giá trị R của họ.


Last_transcation date = MAXX(FILTER(‘Orders’, ‘Orders’[Partner Name] = Orders[Partner Name]), ‘Orders’[Order Date])

Recency Value = DATEDIFF([Last_transcation date], TODAY(), DAY)

Giá trị F

Frequency value = DISTINCTCOUNT('Orders'[Order Date])

Giá trị M

Monetary value = SUM(Orders[Amount])

Tính điểm RFM

Điểm RFM sẽ được tính bằng cách tạo một bảng đã tính trước. Bảng được tạo bằng cách sử dụng tên Đối tác và các giá trị RFM được tính toán. Bảng này sẽ được mô hình hóa thành một bảng khác sẽ được nhập trong phần sau của bài viết này.

RFM Table = SUMMARIZE('Orders', 'Orders'[Partner Name], "Recency Value", [Recency Value], "Frequency Value", [Frequency value], "Monetary Value", [Monetary value])

Phần trăm của giá trị RFM được sử dụng để ấn định điểm số cho từng khách hàng. Phân vị là một thuật ngữ thống kê được sử dụng để biểu thị cách một điểm số so sánh với các điểm số khác trong cùng một tập hợp.

Một cột mới được tạo cho mỗi điểm số.

Tạo một cột mới có tên R-score

R-score =
SWITCH (
   TRUE (),
   [R value] <= PERCENTILE.INC ( 'RFM table'[R Value], 0.20 ), "5",    
   [R value] <= PERCENTILE.INC ( 'RFM table'[R Value], 0.40 ), "4", 
   [R Value] <= PERCENTILE.INC ( 'RFM table'[R Value], 0.60 ), "3", 
   [R value] <= PERCENTILE.INC ( 'RFM table'[R Value], 0.80 ), "2",
   "1"
        )

F-score =
SWITCH (
  TRUE (),
   [F value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.20 ), "1",    
   [F value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.40 ), "2", 
   [F Value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.60 ), "3", 
   [F value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.80 ), "4",
   "5"
        )

M-score=
SWITCH (
  TRUE (),
   [F value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.20 ), "1",    
   [F value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.40 ), "2", 
   [F Value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.60 ), "3", 
   [F value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.80 ), "4",
   "5"
       )

Để có được sự kết hợp của các điểm số để tạo ra điểm số RFM, chúng tôi tạo một cột mới có tên là RFM nối ba cột vừa tạo

RFM score = 'RFM Table'[Recency score] & 'RFM Table'[Frequency score] & 'RFM Table'[Monetary score]

Hình 3: Bảng RFM

Chỉ định Phân đoạn cho mỗi điểm

Tạo bảng Phân đoạn RFM có danh sách tất cả các phân đoạn bạn đã nhóm khách hàng của mình vào và điểm số tương ứng của từng phân đoạn. Tôi sẽ nhập bảng điểm Phân đoạn này.

Lập mô hình các bảng : Tạo mối quan hệ giữa bảng RFM - cột điểm RFM và bảng điểm Phân đoạn - cột điểm .

Mô hình của bạn bây giờ sẽ giống như sau:

Hình 4: mô hình dữ liệu

Bạn đã thực hiện phân tích RFM thành công.

Tôi đã tạo một hình ảnh Sơ đồ cây đơn giản hiển thị phần trăm Đối tác trong mỗi phân đoạn RFM

Hình 5:% Đối tác trong mỗi Phân đoạn RFM

Làm thế nào để phân tích RFM gia tăng giá trị cho doanh nghiệp?

Phân tích RFM giúp bạn hiểu khách hàng của mình và cung cấp thông tin chi tiết về các phân khúc khác nhau mà khách hàng của bạn thuộc về. Một số lợi ích của phân tích RFM là:

  • Nó giúp bạn hiểu hành vi khách hàng của bạn.
  • Cung cấp thông tin chi tiết cho những khách hàng có giá trị nhất và kém giá trị nhất của bạn, do đó, cho phép doanh nghiệp tạo ra một hành trình khách hàng duy nhất.
  • Các doanh nghiệp hiện có thể thực hiện các quảng cáo nhắm mục tiêu cho từng phân khúc khách hàng.

© Copyright 2021 - 2022 | vngogo.com | All Rights Reserved