如果觉得文章写得好，如果你想要博客文章中的数据，请关注公众号：【数据分析与统计学之美】，进群和作者交流！
目录
2、新零售的流程
3、项目背景
4、项目目的
5、项目目标
6、RFM模型的介绍
1）数据表的介绍
4）用户分类
5）可视化展示
1、什么是“新零售”？
2016年，马云最先提出这个概念，主要目的是想把线上和线下相结合，实现以消费者为中心的会员、支付、库存、服务等方面数据的全面打通。
2、新零售的流程
3、项目背景
得力集团是做大办公产业链的，主要包硬件、软件和服务多个领域，这里面还包含很多种商品，像办公用品、桌面文具等很多产品。全国共有20000多家零售店，该公司线下做的很不错，但是线上做的不好，线上的收入也就10%，主要是和京东、淘宝等之间的合作，公司希望在线上能够得到发展。
4、项目目的
通过数据分析，优化客户资源，建立客户信息资源管理及运营模式，提升线上营收占比，实现传统的零售向新零售转型的目标，本次项目主要针对客户价值进行分析。
5、项目目标
通过2015-2018的客户订单分析，了解各大区销售经营情况、不同偏好，并通过RFM模型来进行客户价值分类，实现定向营销。
6、RFM模型的介绍
1）为什么要进行客户价值分析？
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，在众多的客户关系管理(CRM)的分析模式中，使用最为广泛，最典型。
2）什么是RFM模型？
3）RFM的详细介绍说明
近度R：R代表客户最近的活跃时间距离数据采集点的时间距离，R越大，表示客户越久未发生交易。R越小：表示客户越近有交易发生。R越大则客户越可能会“沉睡”，流失的可能性越大。在这部分客户中，可能有些优质客户，值得公司通过一定的营销手段进行激活。
频度F：F代表客户过去某段时间内的活跃频率。F越大，则表示客户同本公司的交易越频繁，不仅仅给公司带来人气，也带来稳定的现金流，是非常忠诚的客户；F越小，则表示客户不够活跃，且可能是竞争对手的常客。针对F较小、且消费额较大的客户(这个好比现实中，某个人上饭店吃饭，好久不来一次，来一次消费好高)，需要推出一定的竞争策略，将这批客户从竞争对手中争取过来。
额度M：表示客户每次消费金额的多少，可以用最近一次消费金额，也可以用过去的平均消费金额，根据分析的目的不同，可以有不同的标识方法。一般来讲，单次交易金额较大的客户，支付能力强，价格敏感度低，是较为优质的客户，而每次交易金额很小的客户，可能在支付能力和支付意愿上较低。当然，也不是绝对的。
4）RFM模型的应用(进行量化的一个过程)
5）RFM模型应用的举例说明
① 给R、F、M打分(分箱操作)
注意：打分级数，从上述的介绍中可以看到，一般都是5分级，但这里我们以一个3分级的例子，进行简单的说明。
R——7天（3），8~30天(2)，31天以上(1)
F——1次(1)，2~3次(2)，3次以上(3)
M——100(1)，101~1000(2)，1000(3)以上
从上图中可以看出：R如果在距离当前时间间隔越短，表明近期有消费，打分越高。F表示购买频次，当然是购买频次越大，打分越高。M表示消费额，这个肯定也是消费额越大，打分越高。
② 用户分类
从上图可以看出，我们进行分箱操作后，接下来就是用户分类了，我们需要求出各自RFM打分后的参考值(参考值怎么选择，需要讨论)，然后如果RFM打分大于各自的平均值，就标记为⬆，否则就是⬇。
接下来，根据每个用户RFM的⬆和⬇情况，判断各自的客户级别。
③ 分类运营
7、RFM实战的软件操作
1）数据表的介绍
数据已经提供了，该数据是经过脱敏后得到的数据，共包含了8987条记录，该数据的字段很多，但是对于RFM建模，我们只需要“客户名称”、“销售额”、“日期”，就可以完成RFM模型的构建。下面我门只截图展示表中的部分数据。
2）计算RFM的值(MySQL)
其实RFM的值，我们这里利用一个SQL语句就可以解决，但是我们为了更细致的讲解RFM值的计算过程，这里分开进行 一一叙述。
① R值的计算
- R值(近度) = （当前时间-最后一次消费时间）
- 当前时间：我们指定是“2019-04-01”，因为这是分析以前的数据，所以当前时间是那个时候的某个时间。
select
客户名称,
max(日期) 最后一次消费时间,
datediff("2019-04-01",max(日期)) R值
from dingdan
group by 客户名称;
结果如下：
② F值的计算
- F值(频度) =（客户购买的频次）
- 这里的购买频次以天为单位，即使一天买了多单，这一天的频次就是1。
select
客户名称,
count(distinct(日期)) F值 # 注意这里的去重操作
from dingdan
group by 客户名称;
结果如下：
③ M值的计算
- M值(额度) = （一段时间的总额或平均额）
select
客户名称,
count(distinct(日期)) F值,
sum(销售额) 总额,
round(sum(销售额)/count(distinct(日期)),2) M值
from dingdan
group by 客户名称;
结果如下：
④ 其实RFM值一个SQL语句就可以解决
select
客户名称,
datediff("2019-04-01",max(日期)) R值,
count(distinct(日期)) F值,
sum(销售额) 总额,
round(sum(销售额)/count(distinct(日期)),2) M值
from dingdan
group by 客户名称;
结果如下：
3）Tableau中进行RFM值的计算
① 连接MySQL数据库
② 新建“自定义SQL”，获取我们用于分析的数据源
③ 在工作表中，完成如下一系列操作
④ 创建“计算字段”，计算R_SCORE
注意：我们这里采用5级打分规则(业内一般都是这样打分的)，但是分段标准是根据实际业务为驱动，进行讨论后得出。
同理，我们可以计算出“F_SCORE”和“M_SCORE”，操作如上，这里就不详细进行说明。
F_SCORE的计算如下：
M_SCORE的计算如下：
4）用户分类
① 创建“计算字段”，计算RFM的平均值
R_SCORE的平均值：
F_SCORE的平均值：
M_SCORE的平均值：
② 创建“计算字段”，进行RFM值高低的判断
分别将“R_SCORE”、“F_SCORE”、“M_SCORE”和“R平均值”、“F平均值”、“M平均值”进行一一比较，大于平均值就是1，否则为0。
R值高低的判断
F值高低的判断
M值高低的判断
③ 创建“计算字段”，进行客户价值判断(最麻烦)
IIF([R值高低的判断]=1 and [F值高低的判断]=1 and [M值高低的判断]=1,'重要价值客户',
IIF([R值高低的判断]=0 and [F值高低的判断]=1 and [M值高低的判断]=1,'重要唤回客户',
IIF([R值高低的判断]=1 and [F值高低的判断]=0 and [M值高低的判断]=1,'重要深耕客户',
IIF([R值高低的判断]=0 and [F值高低的判断]=0 and [M值高低的判断]=1,'重要挽留客户',
IIF([R值高低的判断]=1 and [F值高低的判断]=1 and [M值高低的判断]=0,'潜力客户',
IIF([R值高低的判断]=1 and [F值高低的判断]=0 and [M值高低的判断]=0,'新客户',
IIF([R值高低的判断]=0 and [F值高低的判断]=1 and [M值高低的判断]=0,'一般维持客户',
IIF([R值高低的判断]=0 and [F值高低的判断]=0 and [M值高低的判断]=0,'流失客户','错误检测'))))))))
5）可视化展示
① 用户清单——文本表的展示
上表由于“客户”太多，怎么设置“分页显示”呢？(一个牛逼操作)
Ⅰ创建“计算字段”，为表添加一个“编号”列
Ⅱ 点击鼠标右键，将“编号”转换为离散
Ⅲ 将“编号”拖动到行中
Ⅳ 创建“计算字段”，为表添加一个“页码”
Ⅴ 点击鼠标右键，将“页码”转换为离散
Ⅵ 当出现如下页面，完成如下操作
Ⅶ 当出现如下页面，完成如下操作
Ⅷ 当出现如下页面，完成如下操作
Ⅸ 效果展示
注意：使用同样的操作，我们还可以添加一个“客户名单”筛选器，效果如下。
② 客户价值分布
怎么将上述标签，改成百分比展示呢？
效果如下：
③ 各类型客户总交易额占比
怎么给这个饼图添加百分比标签呢？(这个技巧需要注意)
Ⅰ 完成如下1，2，3处的操作
Ⅱ 这一步很关键，有点技巧，按住CTRL键，将“总和(总额)”拖动到标签中
怎么讲这个饼图变为圆环图呢？(圆环图更好看一些)，这里虽然有些难度，但是留给大家自己下去思考一下，实在不会可以问我。
④ 不同类型客户的人均消费
⑤ RF分布——M客户流失
只要是做RFM分析，业内人士都喜欢拿RF值去看M，或者拿FM值去看R，或者拿RM值去看F，下面我们简单举一个例子，通过RF值去看M。
⑥ 忠诚度对比
这里说的“忠诚度”，指的就是某个用户老来买，说明很喜欢这个产品，对该产品忠诚度较高，即“忠诚度”的衡量使用的是“F值(频度)”。
6）可视化大屏的布局展示
① 当出现如下界面，完成如下操作
② 给可视化大屏添加一个“背景效果”
③ 给可视化大屏取一个名字(这里有一个技巧)
④ 最后将之前做好的一个个图形，按住shift键，将其一个个拖动到右侧进行布局。
⑤ 进行多表联动的操作
Ⅰ按照下图，完成如下操作
Ⅱ接下来就是在下图中进行操作
Ⅲ 最终的交互效果如下
