PowerBIを使用したRFM分析

May 09 2022
RFM分析による顧客セグメンテーション目次RFMの概要RFMモデルRFMセグメントRFMスコアPowerBI分析RFM分析はどのようにビジネスに価値を付加しますか?RFMは、最新性、頻度、および金額の合計に基づいて顧客を定量的にランク付けおよびグループ化して、顧客を同種のグループにセグメント化するために使用されるマーケティング手法です。R —顧客がビジネスから購入した最新の日付F —顧客がビジネスから購入する頻度M —顧客の購入の金銭的価値。

RFM分析による顧客セグメンテーション

クレジット:Google画像

目次

RFMの概要

RFMモデル

RFMセグメント

RFMスコア

PowerBI分析

  • データクリーニング
  • RFM値の取得
  • RFMスコアの計算

RFM分析はどのようにビジネスに価値を付加しますか?

RFMは、最新性、頻度、および金額の合計に基づいて顧客を定量的にランク付けおよびグループ化して、顧客を同種のグループにセグメント化するために使用されるマーケティング手法です。

R —顧客がビジネスから購入した最新の日付

F —顧客がビジネスから購入する頻度

M —顧客の購入の金銭的価値。

頻度と金銭的価値は顧客生涯価値についての洞察を提供し、最新性は保持を測定し、保持と顧客エンゲージメントについての洞察を提供します

RFMモデル

RFMモデルは、最新性、頻度、および金銭的スコアに基づいて、顧客をさまざまなセグメントまたはカテゴリにランク付けします。RFMスコアは1〜5のスケールで、1つが最低で、5が最高です。

最近のスコアが低い、つまり1〜2 / 3は、顧客が最近ストアから購入したことを示します。これは、FrequencyとMonetaryの場合とは逆です。これは、FスコアとMスコアが低い場合、顧客が店舗にアクセスしたり、店舗に多額のお金を費やしたりすることはめったにないことを示しています。

Recency、Frequency、およびmonetaryの値は、データセットの値に基づいて計算されています。

スコアは123または534として書き込まれ、最初の数字はRスコアを表し、2番目の数字はFスコアを表し、3番目の数字はMスコアを表します。

RFMモデルを使用すると、さまざまなタイプの顧客セグメントを作成できます。この記事で推奨されているセグメントを採用しました。また、RFM分析についても詳しく説明します。

RFMセグメント

RFMセグメントとスコアはビジネスごとに定義されており、ビジネスごとに異なる場合があります。

図1:RF​​Mセグメント

RFMスコア

図2:各セグメントのRFMスコア

PowerBI分析で手を汚しましょう

データセット:この分析にはスーパーストアデータセットを使用しました。

データクリーニング:

  1. 他の列を削除する:データの列が多すぎるため、不要な列をすべて削除しました。この分析には、customer_name、Order_date、Sales_amount、Productの3つの列が必要です(実際には必要ありませんでした。プルしただけです)。
  2. 列の名前を変更:最初はMockarooを使用してモックデータを生成しましたが、希望する結果が得られませんでした。コンサルティング会社のデータを分析したかったのです。列の名前を、コンサルティング会社に適用できる名前に変更しました。

製品名—提供されるサービス

売上高—金額

3.変更されたタイプ:Sales_amount列などの一部の列のデータ型を、Power BIが通貨フィールドとして認識できるように、DecimalではなくFixeddecimalに変更しました。

DAXを使用したデータ分析

R、F、Mの値を取得する

R — Rは最新のトランザクションを測定するため、R値を決定するには、各顧客の最終トランザクション日を取得する必要があります。


Last_transcation date = MAXX(FILTER(‘Orders’, ‘Orders’[Partner Name] = Orders[Partner Name]), ‘Orders’[Order Date])

Recency Value = DATEDIFF([Last_transcation date], TODAY(), DAY)

F値

Frequency value = DISTINCTCOUNT('Orders'[Order Date])

M値

Monetary value = SUM(Orders[Amount])

RFMスコアの計算

RFMスコアは、最初に計算テーブルを作成することによって計算されます。テーブルは、パートナー名と計算されたRFM値を使用して作成されます。このテーブルは、この記事の後半でインポートされる別のテーブルにモデル化されます。

RFM Table = SUMMARIZE('Orders', 'Orders'[Partner Name], "Recency Value", [Recency Value], "Frequency Value", [Frequency value], "Monetary Value", [Monetary value])

RFM値のパーセンタイルは、各顧客にスコアを割り当てるために使用されます。パーセンタイルは、スコアが同じセット内の他のスコアとどのように比較されるかを表すために使用される統計用語です。

スコアごとに新しい列が作成されます。

Rスコアと呼ばれる新しい列を作成します

R-score =
SWITCH (
   TRUE (),
   [R value] <= PERCENTILE.INC ( 'RFM table'[R Value], 0.20 ), "5",    
   [R value] <= PERCENTILE.INC ( 'RFM table'[R Value], 0.40 ), "4", 
   [R Value] <= PERCENTILE.INC ( 'RFM table'[R Value], 0.60 ), "3", 
   [R value] <= PERCENTILE.INC ( 'RFM table'[R Value], 0.80 ), "2",
   "1"
        )

F-score =
SWITCH (
  TRUE (),
   [F value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.20 ), "1",    
   [F value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.40 ), "2", 
   [F Value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.60 ), "3", 
   [F value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.80 ), "4",
   "5"
        )

M-score=
SWITCH (
  TRUE (),
   [F value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.20 ), "1",    
   [F value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.40 ), "2", 
   [F Value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.60 ), "3", 
   [F value] <= PERCENTILE.INC ( 'RFM table'[F Value], 0.80 ), "4",
   "5"
       )

スコアの組み合わせを取得してRFMスコアを取得するには、作成した3つの列を連結するRFMという新しい列を作成します。

RFM score = 'RFM Table'[Recency score] & 'RFM Table'[Frequency score] & 'RFM Table'[Monetary score]

図3:RFMテーブル

各スコアへのセグメントの割り当て

顧客をグループ化したすべてのセグメントのリストと、各セグメントの対応するスコアを含むRFMセグメントテーブルを作成します。このセグメントスコアテーブルをインポートします。

テーブルのモデル化:RFMテーブル( RFMスコア列)とセグメントスコアテーブル(スコア列)の間に関係を作成します。

これで、モデルは次のようになります。

図4:データモデル

これで、RFM分析が正常に実行されました。

各RFMセグメントのパートナーの割合を示す単純なツリーマップビジュアルを作成しました

図5:各RFMセグメントのパートナーの割合

RFM分析はどのようにビジネスに価値を付加しますか?

RFM分析は、顧客を理解するのに役立ち、顧客が属するさまざまなセグメントへの洞察を提供します。RFM分析のいくつかの利点は次のとおりです。

  • それはあなたがあなたの顧客の行動を理解するのを助けます。
  • 最も価値のある顧客と最も価値の低い顧客に洞察を提供し、ビジネスが独自のカスタマージャーニーを作成できるようにします。
  • 企業は、顧客セグメントごとにターゲットを絞った広告を実行できるようになりました。

© Copyright 2021 - 2022 | hachiwiki.com | All Rights Reserved