【Tableau】会员主题分析之RFM_L模型

上一期我们分析了产品矩阵和产品价格点的分析，本期我们重点分析会员。根据行业和分析需求的不同，我们可以有多种分析的框架。我们先介绍几种行业的分析框架，然后以广为流传的RFM为模型，介绍如何使用Tableau完成你的RFM框架分析。

一、会员分析的多种方式框架

随着整个社会从供小于求的供给市场转向需求市场，同时借助于日益方便的互联网工具，会员经济成为整个经济中的重要话题。每个企业都在努力地把顾客升级为会员，把会员提升为粉丝，同时努力提高会员的复购和活跃度。在业务过程中，我们需要用数据来分析会员的质量和随时间的波动情况。

在会员分析中，我们可以按照分析的主题分为几个大的类型，其一是有助于分解KPI和了解宏观会员贡献的结构化指标，其二随时间变化体现会员活跃度的分析（活跃、沉睡、流失、未购买），其三是结合时间趋势和漏斗变化而动态变化的宏观会员变迁指标（转化、复购、忠诚度分析），其四是是有助于了解总体或者部分会员质量的结构化指标RFM_L。

1、一种会员分解业绩指标法

前几天在江苏乐茵母婴学习时，对方介绍一种基于员工和会员的业绩分析方法，后来被公司广为推崇。在分解的过程中，我们会看到有哪些核心的指标需要关注，并明白相互之间的逻辑关系。

每个行业和企业的分解框架可能不同，这里想要告诉大家的是，关键是你的分解要自成逻辑。不管是定性的分析，还是定量的比率分析，都要指向你心中的某个假设，然后根据假设去寻找线索和证据。

2、用户活跃分析

对于企业而言，它和每个用户都经历从未用户注册到成交再到完全失去关系这个过程，用户的活跃度代表的是在这个历程中不同阶段的特征。可见同一个客户，不同时间点去活跃度是不同的。从大的阶段来看，我们可以分为注册前（潜在会员）、注册会员（既有会员）、失去后（流失会员）三个阶段，从业务的角度看，可以分为更细的特征，可以参考下图。

判断流失会员需要一个特定的数值，另外活跃会员的分级也需要根据行业和企业不同而变化。后期我们会专门针对公司实例介绍这种分析方法。

3、衡量分析价值和贡献的RFM模型

RFM模型是在CRM会员管理中非常普遍的分析方法，这种分析不需要像上面的方法一样设置阀值，是一种描述方法，适用于每个行业。我们会在本文中介绍如何使用Tableau展开RFM模型介绍。这里我做了一个一个简易框架下使用LOD做RFM模型的图形，帮助大家理解，后面会详细展开。

二、 RFM会员价值结构分析

在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。RFM模型是衡量客户价值的重要工具。它可以反应一个公司、一家门店的全部或部分会员样本，甚至单个会员的质量状况。

RFM分别指的是最近一次消费(Recency) 、消费频率(Frequency)、消费金额(Monetary)，又来有学者在此基础上增加了生命周期分析(life)，因此就有了RFM_L模型。我们可以简单了解一下四个主题的说明和Tableau相关的函数。

需要注意的是，RFM指标体系都是以绝对值的形式体现的，因此它客观地描述了“会员群体是什么样子”，但是本身并没有比率概念，也就无法体现会员的相对质量。我们知道，没有对比就没有分析。

另外，这个分析框架的详细级别是会员，而不是订单信息，更不是商品销售信息，在选择数据源时，一定要慎重。

1、最近一次消费

不管是在怎样的颗粒度上使用这个指标，我们首先要为每一位会员计算他的最近一次消费日期距离当前的天数。最近的一次消费日期可以用MAX函数，距离当前日期的天数，可以使用DATEDIFF函数，因此就是：

DATEDIFF(‘day’,MAX([消费日期]),TODAY())    // 注意这个语法有意义，但是错误做法

不过，这个计算函数是在数据源行级别计算的，也就是每个顾客的每次消费都返回一个天数。这不是我们想要的，我们想要的结果是为每个顾客返回一个唯一的天数——这里就涉及到详细级别表达式。

虽然当视图级别是会员是，结果看上去并无二致，但是本身的逻辑却截然不同。Fixed LOD的结果可以用在任何一个详细级别的视图中，而普通计算则不行。

至此我们已经返回了所有会员的R值，我们因此就可以看所有会员的分布情况。当时，往往数据的差异性超过我们所想要的，因此我们可以把R值按照一定的间隔来划分为多个段，比如以30天为间隔，就形成了数据桶。

 

2、消费频次

按照上面的逻辑，消费频次就是计算每位会员的不同订单计数（ countd([order ID]) ）,考虑到不同的详细级别的使用，我们还需要用Fixed LOD为每位会员返回一个唯一结果。

{FIXED [会员编码]:COUNTD([单号])}

我们在分析不同消费频次对应的会员数量时，也会用到数据桶来简化数据间隔，结果大致如下：

当然，这只是分析的开始。在此基础上，我们可以通过增加额外字段和表计算看消费不低于1次、2次、3次、N次的会员占比（参考15大LOD之案例15），增加帕累托曲线查看80%的消费是前百分之多少的会员贡献的等等。

3、消费金额 M

每位会员的消费金额，分析方式与上述雷同，函数如下：

{FIXED [会员编码] : SUM([销售额])}

4、生命周期L

每个顾客的生命周期，就是从第一次消费到最后一次消费日期的间隔。考虑到我们的很多分析并非以顾客为详细级别，推荐的计算方法依然是使用fixed LOD：

{FIXED [会员编码] : DATEDIFF(‘day’,MIN([消费日期]),MAX([消费日期]))}

ATTENTION 注意：

这里需要注意一个问题，按照上面的计算，消费只有一次的会员，“L生命周期”就是0，我们希望只针对消费两次以上的会员计算‘生命周期’，因此，我们可以在 上述的fixed 里面嵌套一个if判断，当然，判断方式有很多种，使用布尔值会更快。

{FIXED [会员编码]:
IF MIN([消费日期])=MAX([消费日期]) THEN NULL
ELSE DATEDIFF(‘day’,MIN([消费日期]),MAX([消费日期]))
END
}

切记不要把判断放在fixed之外。

5、如何使用 RFM_L做会员分析视图

在获得了上述的四个会员指标之后，我们就可以开展分析，比如我们要看某个区域中过去一年时间里会员的分布及质量，我们可以把每个会员模拟为一个数据点，然后在矩阵中观察总体的分布情况。

看多个度量之间的分布关系，就会用到散点图。我们把R值和F值作为两个坐标轴，然后把M作为颜色或者大小标记增加视图的深度，如果再把L也加入到标记，就可以可到下面的视图。

在此基础上，我们可以增加时间、范围等筛选器，从而可以让每个人各取所需。当然，解决我们在产品分析中的思路，当某个轴数据密集在低维度时，也可以使用坐标轴的“对数”功能，使用对数坐标轴从而更清晰地观察分布关系。

 

三、通用行业会员分析框架

在《精益数据分析》一书中，作者引用了戴夫·麦克卢尔创造的“海盗指标”。他把创业公司最需要关注的指标分为五个大类，分别是：获取用户(Acquisition)、提高活跃度(Activation)、提高留存率(Retention)、获取营收(Revenue)、自传播(Referral)，简称AARRR。

这是一个很好的以时间和价值为主线的分析框架，特别适合于互联网类型的行业。我们会在后期专门分析这个框架的使用。

 

四、SaaS的会员分析

对于越来越多的SaaS行业，我特意要分享一个非常重要的分析框架，它可能改变你对整个商业模式的看法——至少对我产生了如此深远的影响。 这篇文章发表于forentrepreneurs By David Skok，大家可以通过一下连接看到英文原版：

SaaS Metrics 2.0 – A Guide to Measuring and Improving what Matters

这篇文章我英文完整阅读了两遍，收益匪浅，特别是对于LTV的长周期分析方法。可惜我没有找到中文版本，希望有朝一日我可以耐心翻译一下。 我在文章最后附上了pdf文件，大家可以下载。

它提到的方法其实和传统的会员思维一致，主要是给出了非常清晰、逻辑的数据化思维指南，这是中国普罗大众缺乏的思维方法。

它给出了判断SaaS模式是否健康的两个标准，简单明了：

• 单客收益要大于获客成本的3倍；

• 平衡周期低于12个月

会员分析也许是整个业绩分析中最难的部分，希望Tableau助你一臂之力！

 

可下载附件：

• SaaS Metrics 2.0 – A Guide to Measuring and Improving what Matters For Entrepreneurs

 

Feb 13, 2019
Aug 12, 2019 update
Michael Wu  | (+86)18615511300
Tableau Partner
Tableau Desktop & Server QA Certification