零基础入门！手把手教你用Power BI做RFM分析，轻松锁定高价值客户

Power BI财销一体分析——RFM分析实践

欢迎来到Powerbi小课堂，前几期课程我们深入学习了各种财务、销售实用案例。

本期我将带领大家整合分散知识点，逐步构建一个全面的分析模型，涵盖封面、登录页、导航页、CEO驾驶舱等模块，以及趋势、产品、畅销品等多维度分析，同时融入度量值嵌套、计算组、动态指标、TOPN分析等高阶技巧。

今天我将为大家带来RFM分析应用实践，RFM模型是一种用于客户价值分析的经典营销工具，通过三个核心维度对客户进行细分，企业可快速定位核心客户群体，优化营销资源分配，提升客户生命周期价值（CLV）。这一工具广泛应用于企业战略规划，帮助公司评估业务组合并优化资源分配。

接下来，让我们直接进入今天的实用技巧分享环节。如果您在实践过程中遇到任何问题，欢迎留言交流。请关注我们的公众号《BI研究所》，以获取更多案例更新和学习资源。

 

 

想要一份这样的可视化看板吗？想学吗？我教你呀！

一、案例背景：

我司作为专业运动自行车跨国销售企业，业务范围涵盖自行车、组件、配件及运动服装。当前，我们正致力于开发财销一体化分析系统，旨在通过技术手段实现财务与销售的紧密结合，促进数据共享与流程优化，进而提升决策效率与运营效率，优化资源配置，强化风险控制，为企业的可持续发展注入动力。

 

二、设计思路：

通过成本、销量、利润及销售维度精准掌控财务状况，从产品、客户及地域三个层面深入分析企业运营趋势，

（1）、准备基础数据

（2）、数据清洗

（3）、建立关系视图

（4）、个性美化设计

（5）、数据建模（度量值）

（6）、制作可视化报告

首先我们要理解RFM分析是什么：

RFM的含义

R（Recency - 最近一次消费）：客户最近一次购买的时间间隔，反映其活跃度。间隔越短，客户价值越高。

F（Frequency - 消费频率）：客户在特定周期内的购买次数，反映忠诚度。频率越高，客户黏性越强。

M（Monetary - 消费金额）：客户在特定周期内的总消费金额，反映贡献度。金额越高，客户价值越大。

模型作用

客户分层：将客户分为高价值、潜力、流失风险等群体。

精准营销：针对不同群体设计促销活动（如高价值客户专属优惠、流失客户召回活动）。

资源优化：集中资源维护高价值客户，提升ROI。

指标计算：

R值：当前日期 - 最后一次购买日期（如：30天前）。

F值：统计周期内的订单数（如：过去1年购买5次）。

M值：统计周期内的总消费额（如：过去1年累计消费5000元）。

评分划分：对每个维度按价值高低打分（如1-5分，5分为最优）。

客户分群：根据R/F/M组合划分群体（常见分群见下表）。

 

 

应用场景

电商：识别高频高消费用户，推送会员权益。

零售：对久未消费客户发送折扣码。

服务业：为高价值客户提供个性化服务。

 

 

在建模之前，我们要先了解下此分析方法的难点，此模型难点并不多，最大的难点就是客户分群划分，为了更直观地呈现数据，今日我们大部分的指标建立都使用新建列公式，在这里我要啰嗦一句，数据建模主要还是使用度量值，使用列公式会使模型运行速度下降。

 

★数据建模：RFM分析

 

公式：（新建列）

 

最后一个交易日期 = MAXX(FILTER('销售',EARLIER('客户表'[客户关键])='销售'[客户关键字]),'销售'[订单日期键])

 

公式逻辑解析：

MAXX()：返回表中某列的最大值（此处取最大日期，即最近一次交易）。

FILTER()：筛选满足条件的表数据。

EARLIER()：引用"当前行"的上下文值（类似循环中的临时变量）。

1.

筛选客户交易记录
FILTER('销售', EARLIER('客户表'[客户关键]) = '销售'[客户关键字])
→ 在'销售'表中，筛选出与当前客户（'客户表'[客户关键]）匹配的所有交易记录。

提取最大日期
MAXX(筛选后的表, '销售'[订单日期键])
→ 从筛选出的交易记录中，找出最大的订单日期（即最后一次购买日期）。

 

 

公式：（新建列）

 

R(消费日期差） = DATEDIFF([最后一个交易日期],LASTDATE('日期表'[日期]),HOUR)

公式逻辑解析：以bayA类产品的客户数为例

DATEDIFF()：计算两个日期之间的差值，支持DAY/HOUR/MINUTE等单位。

LASTDATE()：返回当前筛选上下文中的最后一个日期（如报表筛选器的截止日期）。

 

公式：（新建列）

F（交易次数） = '度量值存放'[订单数量]

M（销售金额） = '度量值存放'[总销售额]

公式逻辑解析：

之前我们已经建立过关于订单数量、消费金额的度量值，这里我们直接引用为列就可以

公式：（新建列）

 

RFM = IF('客户表'[R(消费日期差）]<=AVERAGE('客户表'[R(消费日期差）]),2,1)

&IF('客户表'[F（交易次数）]>=AVERAGE('客户表'[F（交易次数）]),2,1)

&IF('客户表'[M（销售金额）]>=AVERAGE('客户表'[M（销售金额）]),2,1)

 

 

公式逻辑解析：

 

 

通过&符号将三个评分拼接成三位数代码，例如：

"222"：R/F/M均优于平均（高价值客户）

"121"：R值差、F值优、M值差（需激活的频繁低消费客户）

R值的特殊性

R值（消费间隔）与其他两个维度相反：越小越好（间隔短=活跃），因此用<=判断是否优于平均。

平均值计算的上下文

AVERAGE()会根据当前报表筛选上下文动态计算。例如：

若筛选"2023年数据"，则平均值仅基于2023年客户行为；

 

 

公式：（新建列）

 

会员分组 = SWITCH('客户表'[RFM],

"111","流失会员",

"112","重要挽留会员",

"121","一般保持会员",

"122","重要保持会员",

"211","新会员",

"212","重要发展会员",

"221","一般价值会员",

"222","重要价值会员",

BLANK())

 

 

公式逻辑解析：

根据业务含义对照表，详细梳理并明确逻辑流程

 

 

 

拓展：依照会员分组，结合公司策略直观呈现维护客户的方式，

 

营销动作 =

SWITCH(

'客户表'[会员分组],

"重要价值会员", "赠送年度VIP会员资格",

"重要挽留会员", "限时7折+包邮优惠券",

"新会员", "第二单立减50元",

"无动作"

)

 

 

公式：（度量值）

客单价 = DIVIDE([总销售额],[客户数量])

客单量 = DIVIDE([销量],[客户数量])

 

公式逻辑解析：

总销售额 ÷ 独立客户数 = 每个客户的平均消费金额

总销量 ÷ 独立客户数 = 每个客户平均购买的商品件数

 

风险信号：

客单价高但客单量极低 → 可能依赖少数大单，客户覆盖面不足。

客单量高但客单价低 → 可能薄利多销，利润率承压。

客单价揭示客户消费能力，指导价格策略和品类规划。

客单量反映购买频次和广度，驱动库存和促销设计。

结合使用可全面评估客户价值，避免"高销售额但低利润"的陷阱

 

 

★制作可视化报告

第一步：设置报表页格式选项，选择画布背景，上传我们设计好的素材

第二步：插入一个矩形，填充颜色，打开阴影、发光功能

第三步：添加主页图标图像，启用交互功能，设置类型为书签，并指定书签为主页，点击该图标即可快速跳转至主页。

第四步：插入图像导航图标。

第五步：插入四个切片器，第一个切片器拖入日期表日期字段，第二个切片器拖入客户表会员类型字段，第三个切片器拖入销售订单表渠道字段，第四个切片器拖入客户表城市字段，插入四个文本框分别输入日期、会员类型、渠道和城市。分别置于对应切片器前，调整位置到页面顶端，视图窗口点击选择功能，将这种可视化选中，右键点击分组，重命名为切片器组。

第六步：插入一个第三方视觉对象Image Grid，将销售区域表图片链接拖入Image url，将度量值客户数量拖入Value。

第七步：插入一个环形图，将度量值客户数量拖入值区域，图例使用客户表会员类型，设置视觉对象格式，关闭图例打开详细信息标签，选择类别总百分比。

第八步：插入一个矩阵图，将客户表会员类型字段拖入行区域，将销售区域表图像字段拖入列区域，再将度量值消费贡献率拖入值区域。

第九步：插入一个树状图，将度量值客户数量拖入分析区域，将客户表国家-地区、城市、会员类型和产品表子类别作为解释依据。

 

第十步：插入一个散点图，值拖入分客户表会员类型字段，将度量值客单价拖入X轴，将客单量拖入Y轴，大小拖入度量值消费贡献率，客户表国家-地区字段作为图例。

第十一步：参照图示对页面布局进行美化。

第十二步：为此页面添加一个书签，并将其拖动至页面导航的书签分组内，此时，书签将自动显示在书签导航器中。

 

 

好的，今天的讲解就到这里。后期课程也会逐渐增加难度，如果在学习过程中需要帮助，欢迎随时联系作者，精彩内容，敬请期待

 获取模板文件或咨询，联系瓶子微信wdfyqx 

 公众号《BI研究所》