上次我们介绍了使用Tableau做RFM会员分析的方法,今天我想用更大的视角,深度分析如何做广谱的会员分析,并介绍如何使用Tableau搭建这样的分析模型。

一、会员分析的角度与框架

会员分析涉及很多的角度,常见的有长周期的分布分析(比如过去一年会员的购买频次)、不同会员的数量分析(如沉默会员、流失会员和正常会员等)、阶段时间内新客户对比分析(如不同月份新客户增加数量对比等)等等。每个公司的分析都出奇的复杂,我想用一种框架的角度帮助大家理清这里面的关系,从而更好地选择分析角度和分析方法。

之前我们在《用图表说话》中介绍了可视化图形的选择方法,它指出主要有几种数据关系:成分、项目、时间序列、频率分布和相关性。在此,我们借鉴这个模型的数据关系分类,结合常见的会员分析,形成了下面的“会员分析问题矩阵”。

! 思考会员问题时,请记住下图的三个维度:左侧会员指标、上面问题类型、时间详细级别。

Screen Shot 2019-04-05 at 1.35.19 PM

 

左侧的三列代表了会员分析的几个维度:特征分析、忠诚度指标分析和购买力指标分析。随后是几个核心的指标体系,也就是上篇中分析的:R最近一次购买、F会员消费频次、M会员贡献金额和L会员,其次增加了“Max最大单笔消费”作为购买力指标之一。此次分析的关键是,我们结合左侧的指标,对比分析上面的分析维度,以此可以理解常见的会员分析组合。

当我们要分析一个数据问题时,第一步是从中提取数据维度和度量,比如“各年度获客数量的矩阵对比”包含了“年度”、“获客数量”两个属性,第二步是计算问题中缺少的字段,比如“获客数量”,当我们拥有所有字段的直接结果,第三步就是将所有字段根据业务要求和字段关系组合起来。

二、会员的特定指标分析

会员的特征分析是会员分析的起点,我们需要每时每刻获得最新的会员tag,并将他们分类以分析随着时间变化的趋势或对比。常见的几种会员标签是:

  • 新会员、老会员:这是最基本的标签分析,这个分析中包含了当下分析时间的维度,判断的方式就是用会员的首次消费时间和当下的分析时间做对比,比如一个最小购买日期为2018/4/5的会员,只在2018年4月属于新会员,此后就被列入老会员之列;或者,当我们按照季度来划分时,这个会员在2018年Q2是新会员,此后就是老会员。可见,标签随判断标准和分析的颗粒度而变化,因此需要灵活的计算。
  • 潜在会员、既有会员和流失会员:这种分类是更长周期的视角,我们可以把消费而未注册及未到店的顾客列为潜在会员,而长时间未消费(比如半年)的列入流失会员,这样就能避免无效会员在分析上的干扰。此类的判断基于会员的消费时间特征:最早购买日期、最近购买日期。

上述的两种特征分析一般都属于成分或者项目分析之中,比如计算每月新会员在所有会员的占比(成本%),或者流失会员和既有会员在各月的百分比(可以理解为多个子项目的对比排列)。

Screen Shot 2019-02-13 at 1.16.31 PM

相关会员指标的Tableau方法:

上面的几个会员指标,一般可以直接用固定字段来实现,但是涉及到高级的分析计算:LOD详细级别表达式。为什么呢?因为我们大部分的分析都不是以会员的消费日期为详细级别,这就出现了同一个视图中包含多个详细级别的问题。更多的LOD分析,参考我最受欢迎的博客文章:【Tableau】详细级别表达式LOD_详尽入门3.0(1)

这里我们直接提供上述几个指标的计算方法以供参考:

  • Min获客日期: {fixed [customer ID] : Min([order date])}
  • R最近购买日期:{fixed [customer ID] : Max([order date])}
  • 判断流失状况的会员未到店时长: Datediff(‘day’,[R最近购买日期], today())

而如果你想要判断是否是新会员,你可以使用if判断来输出结果。

 

三、忠诚度和购买力

忠诚度分析和购买力分析就会涉及到大量的时间序列和分布分析,这也是深度会员分析的重点。时间往往是最重要的背景数据,计算单个指标很容易,难在不同的问题背后其实是不同的与时间的组合。

比如在15大详细级别表达式中的第五个案例“新客户争取率”(原文命题是:what is the toal number of customers we’ve acquired per market by day?),它要计算每天、每个市场的新会员累计数量。维度字段是日期、市场;度量字段是会员数;可视化视图应该是随时间的折线(时间序列的推荐视图);计算方法则是累计计算(total number)。需要通过LOD计算的是通过每个会员的最早获客日期和当前日期做比对,判断是否为“新会员”。 ——详见博客解读 【Tableau】15大详细级别表达式-会员分析案例

同样的道理,当我们遇到各种分析会员价值,特别是忠诚度和购买力的问题时,首先分析这个问题包含的字段、字段关系(分布?序列?还是项目对比?),然后通过计算提供需要的背景信息。在上面的框架图中,我们提供了常见的一些问题,特别注意的是时间维度对视图的影响。

相关会员指标的Tableau方法:

在上一篇中我们简单介绍了RFM_L模型中各个字段的实现方式,我们大多都使用了Fixed LOD表达式,常见的字段如下:

  • R最近购买日期:{fixed [customer ID] : Max([order date])}
  • F会员购买频次:{fixed [customer ID] : countd([order ID])}
  • M会员消费金额:{fixed [customer ID] : sum([sales])}
  • L会员生命周期:datediff( ‘day’, [min获客日期], [R最近购买日期])
  • Med会员沉睡时长:datediff( ‘day’,  [R最近购买日期], today())
    • Min获客日期: {fixed [customer ID] : Min([order date])}
    • R最近购买日期:{fixed [customer ID] : Max([order date])}

 

四、15大详细级别表达式的相关案例

在15大LOD中,和会员紧密相关的是案例1 客户订单频率分析,案例2 客户阵列分析,案例5 新客户争取率(获客率)分析,案例10,各阵列的回头客分析,案例15,各客户阵列的年度购买频率分析。最后一个案例集成了两次LOD表达式、二次表计算、倒序计算等高难度动作。

按照我们上面的分析框架和分解步骤,我们可以按照问题——提取字段——字段关系与可视化焦点——提供背景信息的四步骤来分析和解决这些问题。

问题 参与的维度或度量 字段关系类型(视图焦点) 需要提供的背景信息
1客户订单频率 客户、购买频次 分布问题,用直方图 LOD返回每个会员的购买频次
2阵列分析(获客年份) 获客年份、消费年份、顾客数量 年度对比,项目问题,柱状图 LOD返回每个会员的获客年份
5、新客户争取率 新客户、日期 日期序列,折线图 LOD返回客户获客日期,判断是否为新客户
10、各个阵列的回头客 客户、获客日期、二次复购日期、复购间隔 各日期对应的复购间隔 LOD返回获客日期、二次复购日期、计算复购间隔
15、各个阵列的年度购买频率 获客年度、消费年度、购买次数 日期序列问题 LOD返回获客年度、LOD返回购买频次

更多步骤详见博客解读 【Tableau】15大详细级别表达式-会员分析案例

 

1 顾客购买品牌.png
1 客户订单频率

//要点:Fixed LOD的独特之处是返回的多个数据结果可以作为维度使用。相比之下,include和exclude都只能作为度量使用。

 

Screen Shot 2018-11-26 at 09.43.39.png
2 阵列分布
Screen Shot 2018-11-29 at 08.10.50.png
10 阵列回头客
Screen Shot 2019-01-31 at 12.22.56 PM.png
15 各个客户阵列的年度购买频率

LOD系列

  1. 【Tableau】详细级别表达式LOD_详尽入门3.0(1)
  2. 【Tableau】详细级别表达式LOD_位置与语法(2)
  3. 【Tableau】详细级别表达式LOD_终极实践指南与资源大全(3)
  4. 【Tableau】详细级别表达式 LOD 核心要点回顾(4)
  5. 【Tableau】LOD15大详细级别表达式-深度解读
  6. 【Tableau】15大详细级别表达式-会员分析案例

 

Apr 5, 2019