客户细分是一种根据客户的共同特征，如人口统计学（年龄、性别、收入等）、地理、心理和行为，将客户划分为不同群体的过程。客户细分的主要目的是识别不同的客户群体，以便针对特定群体制定和实施特定的营销计划。本文将带领了解客户细分和RFM分析的基本理念，并逐步学习如何在Tableau中进行RFM分析，探索Tableau中用于分析关键客户特征的具体工具和功能，最终了解如何利用交易数据创建客户群体或细分。
RFM分析是一种基于客户过去购买行为的客户细分方法。RFM代表三个关键客户特征，即购买的最近性（Recency）、购买的频率（Frequency）和购买的货币价值（Monetary）。最近性（R）指自最后一次购买或订单以来的时间或天数；频率（F）指购买或交易的总次数；货币价值（M）指总花费或平均购物篮大小。频率和货币价值属性影响客户的终身价值，而最近性影响客户保留和参与度。RFM分析特别适用于零售行业的客户类型分析。例如，在电子商务网站上频繁购买但金额较小的客户可以被视为高“频率”但“低货币价值”的客户。RFM分析可以帮助回答关键的商业问题，如哪些是最好的客户，哪些有潜力成为最好的客户，哪些可能导致客户流失，以及哪些会对特定的营销活动做出反应。
在Tableau中进行RFM分析是洞察客户行为的有效方式。Tableau有助于直观地获取输出和洞察。以下是在Tableau中进行RFM分析的步骤：
为了进行RFM分析，需要客户的购买历史数据。这些数据可以从公司的会计软件、ERP或交易数据库中获取。这里使用了一个随机数据集进行演示。这个数据集包含了进行RFM分析所需的所有变量，如客户ID、商品代码、发票ID、发票日期、单价、数量和销售额。
打开Tableau时，首先出现的是数据连接页面，有选项连接到不同的数据文件和数据库。将在这一节连接到所需的数据集文件。连接到所需数据集后，Tableau会带进入数据源页面，显示数据集中的不同变量及其数据类型。在这里，可以在实时连接和提取选项之间切换，并连接到其他数据集以执行使用连接和关系的数据建模。工作表1是开始分析和制作可视化的地方。Tableau已识别并将变量分为两类，即维度和度量。
为了进行RFM分析，将使用“创建计算字段”选项创建三个新度量，即“RFM-R”、“RFM-F”和“RFM-M”。RFM-R是最近性属性，使用“datediff”函数计算每个客户ID自最近一次购买或最大发票日期以来的天数。RFM-F是购买频率属性，使用每个客户ID的不同发票ID的计数来计算。RFM-M是货币价值属性，使用每个客户ID的销售额或支出总和来计算。
RFM-R = DATEDIFF('day',{ FIXED [Customer ID]:MAX([Invoice Date])},{MAX([Invoice Date])})
RFM-F = ({ FIXED [Customer ID]:COUNTD([Invoice ID])})
RFM-M = {FIXED [Customer ID]: SUM([Sales Amount])}
在获得RFM指标后，将创建三个新字段，即“R-Score”、“F-Score”和“M-Score”。在这里，尝试根据他们的RFM指标所在的百分位数，为每个客户ID分配1到4的得分（其中1是最好的，4是最差的）。例如，RFM-R的较小值，即最近性，表明客户最近进行了购买，因此所有落在第一四分位数的RFM-R值被分配一个R-Score为1，以此类推。但是，由于预期优质客户会进行高价值和频繁的购买，对于RFM-F和RFM-M，所有落在前75百分位数的值被分配一个得分为1，以此类推。最后，将在计算所有三个单独得分后计算一个综合的RFM-Score。这些得分将是细分和定义客户类型的基础。
R-Score = IF [RFM-R] <= {FIXED:PERCENTILE([RFM-R],0.25)} THEN 1 ELSEIF [RFM-R] > {FIXED:PERCENTILE([RFM-R],0.25)} AND [RFM-R] <= {FIXED:PERCENTILE([RFM-R],0.5)} THEN 2 ELSEIF [RFM-R] > {FIXED:PERCENTILE([RFM-R],0.5)} AND [RFM-R] <= {FIXED:PERCENTILE([RFM-R],0.75)} THEN 3 ELSE 4 END
F-Score = IF [RFM-F] <= {FIXED:PERCENTILE([RFM-F],0.25)} THEN 4 ELSEIF [RFM-F] > {FIXED:PERCENTILE([RFM-F],0.25)} AND [RFM-F] <= {FIXED:PERCENTILE([RFM-F],0.5)} THEN 3 ELSEIF [RFM-F] > {FIXED:PERCENTILE([RFM-F],0.5)} AND [RFM-F] <= {FIXED:PERCENTILE([RFM-F],0.75)} THEN 2 ELSE 1 END
M-Score = IF [RFM-M] <= {FIXED:PERCENTILE([RFM-M],0.25)} THEN 4 ELSEIF [RFM-M] > {FIXED:PERCENTILE([RFM-M],0.25)} AND [RFM-M] <= {FIXED:PERCENTILE([RFM-M],0.5)} THEN 3 ELSEIF [RFM-M] > {FIXED:PERCENTILE([RFM-M],0.5)} AND [RFM-M] <= {FIXED:PERCENTILE([RFM-M],0.75)} THEN 2 ELSE 1 END
RFM-Score = INT(STR([R-Score])+STR([F-Score])+STR([M-Score]))
将创建一个新的计算字段，“RFM-Segments”。通过计算字段中的一系列if-else语句，将根据上一步计算的不同RFM得分的组合对客户进行分类。例如，如果一个客户的所有R、F和M得分都等于1，则该客户被视为“最佳客户”；如果所有三个R、F和M得分都等于4，则该客户被视为“失去的便宜客户”。在这里，定义了九个客户群体，即最佳客户、有潜力成为最佳客户、忠诚客户、大额消费者、几乎失去、失去、失去便宜、注意购买者和偶尔购买者。
RFM-Segments = IF [RFM-Score] == 111 THEN 'Best Customers' ELSEIF [R-Score] == 1 AND [F-Score] == 2 AND [M-Score] <=2 THEN 'Potential To Become Best Customer' ELSEIF [F-Score] == 1 THEN 'Loyal Customer' ELSEIF [M-Score] == 1 THEN 'Big Spenders' ELSEIF [RFM-Score] == 311 THEN 'Almost Lost' ELSEIF [RFM-Score] == 411 THEN 'Lost Customers' ELSEIF [RFM-Score] == 444 THEN 'Lost Cheap Customers' ELSEIF [R-Score] = 2 THEN 'Look Out Buyers' ELSEIF [R-Score] >= 2 AND [F-Score] >= 2 THEN 'Occasional Buyers' END
现在，由于已经创建了所有属性度量和客户群体，可以继续使用不同的可视化来分析它们。作为第一个可视化，将创建一个条形图，显示每个群体中的客户数量。为此，需要将RFM-Segments拖入行，将CustomerID拖入列，然后将其度量类型转换为不重复计数。图表给出了客户群体在客户数量方面的强度。在这里，可以看到偶尔和警惕购买者，他们偶尔购买或在特殊交易期间购买，构成了最突出的群体。