DokumentationCommerceCommerce Intelligence-Benutzerhandbuch

RFM-Analyse

Last update: Mon Jul 15 2024 00:00:00 GMT+0000 (Coordinated Universal Time)

Erstellt für:

  • Einsteiger
  • Fortgeschrittener
  • Admin
  • Benutzende

In diesem Thema wird gezeigt, wie Sie ein Dashboard einrichten, mit dem Sie Ihre Kunden nach Neuigkeit, Häufigkeit und Geldwert segmentieren können. Die RFM-Analyse ist eine Marketing-Technik, die das Kundenverhalten berücksichtigt, um Sie bei der Bestimmung der Segmentierung für die Reichweite zu unterstützen. Er umfasst drei Aspekte:

  1. Neuigkeit darüber, wie kürzlich ein Kunde in Ihrem Geschäft gekauft hat
  2. Häufigkeit des Kaufs bei Ihnen
  3. Geldbetrag in der Höhe, die der Kunde ausgibt

Die RFM-Analyse kann nur konfiguriert werden, wenn Sie über den Plan Adobe Commerce Intelligence Pro für die neue Architektur verfügen (z. B. wenn Sie die Option Data Warehouse Views im Menü Manage Data haben). Diese Spalten können über die Seite Manage Data > Data Warehouse erstellt werden. Detaillierte Anweisungen finden Sie unten.

Erste Schritte

Sie müssen zunächst eine Datei hochladen, die nur einen Primärschlüssel mit dem Wert 1 enthält. Dies ermöglicht die Erstellung einiger erforderlicher berechneter Spalten für die Analyse.

Sie können diesen Artikel und das folgende Bild verwenden, um Ihre Datei zu formatieren.

Berechnete Spalten

Eine weitere Unterscheidung wird getroffen, wenn Ihr Unternehmen Gastaufträge zulässt. Wenn dies der Fall ist, können Sie alle Schritte für die Tabelle customer_entity ignorieren. Wenn Gastaufträge nicht zulässig sind, ignorieren Sie alle Schritte für die Tabelle sales_flat_order .

Zu erstellende Spalten

  • Sales_flat_order/customer_entity table

  • Customer's last order date

  • Column type: Many to one > Max

  • Pat: sales_flat_order.customer_id > customer_entity.entity_id

  • Ausgewählte column: created_at

  • Filter: Orders we count

  • ​
    Sekunden seit dem letzten Bestelldatum des Kunden

    • Column type: - "Gleiche Tabelle > Alter

  • Ausgewählte column: Customer's last order date

  • (input) Count reference

  • Column type: Same table > Calculation

  • ​
    -Eingaben: entity_id

  • Calculation: **case when A is null then null else 1 end**

  • ​
    Datatype: Integer

  • Zählerreferenz -Tabelle (dies ist die Datei, die Sie mit der Zahl "1"hochgeladen haben)

  • Anzahl der Kunden

  • Column type: Many to One > Count Distinct

  • Path: ales_flat_order.(input) reference > Count reference.Primary Key ODER customer_entity.(input)reference > Count Reference. Primary Key

  • Ausgewählte column: sales_flat_order.customer_email ODER customer_entity.entity_id

  • Tabelle Customer_entity

  • Anzahl der Kunden

  • Column type: One to Many > JOINED_COLUMN

  • Path: customer_entity(Eingabe)-Referenz > Kundenkonzentration. Primary Key

  • Ausgewählte column: Number of customers

  • (input) Ranking by customer lifetime revenue

  • Column type: Same table > Event Number

  • Event owner: (input) reference for count

  • Event rank: Customer's lifetime revenue

  • Rangfolge nach Kundenlebenszeitumsatz

  • Column type: Same table > Calculation

  • Inputs: (input) Ranking by customer lifetime revenue, Number of customers

  • Calculation: case when A is null then null else (B-(A-1)) end

  • ​
    Datatype: Integer

  • Geldwert des Kunden (nach Perzentilen)

  • Column type: Same table > Calculation

  • Inputs: (input) Ranking by customer lifetime revenue, Number of customers

  • Calculation: Case when round((B-A+1)*100/B,0) <= 20 then 5 when round((B-A+1)*100/B,0) <= 40 then 4 when round((B-A+1)*100/B,0) <= 60 then 3 when round((B-A+1)*100/B,0) <= 80 then 2 when round((B-A+1)*100/B,0) <= 100 then 1 else 0 end

  • ​
    Datatype: Integer

  • (Eingabe) Rangfolge nach Kundenlebensdauer Anzahl der Bestellungen

  • Column type: Same table > Event Number

  • Event owner: (input) reference for count

  • Event rank: Customer's lifetime number of orders

  • Rangfolge nach Kundenlebensdauer der Bestellungen

  • ​
    Spaltentyp: – “Dieselbe Tabelle > Berechnung”

  • Inputs: - (input) Rangfolge nach Kundenlebensdauer Anzahl der Bestellungen, Anzahl der Kunden

  • Calculation: - Fall, wenn A null ist, dann null else (B-(A-1)) end

  • Datatype: - Integer

  • Frequenzwert des Kunden (nach Perzentilen)

  • Column type: Same table > Calculation

  • Inputs: (input) Ranking by customer lifetime number of orders, Number of customers

  • Calculation: Case when round((B-A+1)*100/B,0) <= 20 then 5 when round((B-A+1)*100/B,0) <= 40 then 4 when round((B-A+1)*100/B,0) <= 60 then 3 when round((B-A+1)*100/B,0) <= 80 then 2 when round((B-A+1)*100/B,0) <= 100 then 1 else 0 end

  • ​
    Datatype: Integer

  • Rangfolge nach Sekunden seit dem letzten Bestelldatum des Kunden

  • Column type: Same table > Event Number

  • Event owner: (input) reference for count

  • Event rank: Seconds since customer's last order date

  • Neuigkeitsergebnis des Kunden (nach Perzentilen)

  • Column type: Same table > Calculation

  • Inputs: (input) Ranking by customer lifetime number of orders, Number of customers

  • Calculation: Case when (A * 100/B,0) <= 20 then 5 when (A * 100/B,0) <= 40 then 4 when (A * 100/B,0) <= 60 then 3 when (A * 100/B,0) <= 80 then 2 when (A * 100/B,0) <= 100 then 1 else 0 end

  • ​
    Datatype: Integer

  • Neuigkeitsergebnis des Kunden (nach Perzentilen)

  • Column type: Same table > Calculation

  • Inputs: Customer's recency score (by percentiles), Customer's frequency score (by percentiles), Customer's monetary score (by percentiles)

  • Calculation: case when (A IS NULL or B IS NULL or C IS NULL) then null else concat(A,B,C) end

  • ​
    Datatype: String

  • Count reference table

  • Number of customers: (RFM > 0)

  • Column type: Many to One > Count Distinct

  • Path: sales_flat_order.(input) reference > Customer Concentration. Primary Key ODER customer_entity.(input)reference > Customer Concentration.Primary Key

  • Ausgewählte column: sales_flat_order.customer_email ODER customer_entity.entity_id

  • Filter: Customer's RFM score (by percentile) Entspricht nicht 000

  • Tabelle Customer_entity

  • Number of customers: (RFM > 0)

  • Column type: One to Many > JOINED_COLUMN

  • Path: customer_entity.(input) reference > Customer Concentration.Primary Key

  • Ausgewählt column: - Number of customers

  • Neuigkeitsergebnis des Kunden (R+F+M)

  • Column type: Same table > Calculation

  • Inputs: - Customer's recency score (by percentiles), Customer's frequency score (by percentiles), Customer's monetary score (by percentiles)

  • Calculation: case when (A IS NULL or B IS NULL or C IS NULL) then null else A+B+C end

  • ​
    Datatype: Integer

  • (Eingabe) Rangfolge nach RFM-Gesamtwert des Kunden

  • Column type: Same table > Event Number

  • Event owner: (input) reference for count

  • Event rank: Customer's recency score (R+F+M)

  • Filter: Customer's RFM score (by percentile) Entspricht nicht 000

  • Rangordnung nach dem RFM-Gesamtwert des Kunden

  • Column type: Same table > Calculation

  • Inputs: (input) Ranking by customer's overall RFM score, Number of customers (RFM > 0)

  • Calculation: case when A is null then null else (B-(A-1)) end

  • ​
    Datatype: Integer

  • RFM-Gruppe des Kunden

  • Column type: Same table > Calculation

  • Inputs: (input) Ranking by customer lifetime revenue, Number of customers

  • Calculation: Case when round(A * 100/B,0) <= 20 then '5. copper' when round(A * 100/B,0) <= 40 then '4. bronze' when round(A * 100/B,0) <= 60 then '3. silver' when round(A * 100/B,0)<= 80 then '2. gold' else '1. Platinum' end

  • ​
    Datatype: Integer

NOTE
Die verwendeten Perzentile sind sogar Aufspaltungen von Kunden (z. B. 20 Prozent Behälter, um 1-5 zurückzugeben). Wenn Sie eine benutzerdefinierte Methode haben, wie Sie diese gewichten möchten, teilen Sie dies dem Analysten mit, wenn Sie das Ticket übermitteln.

Metriken

Keine neuen Metriken!

NOTE
Stellen Sie sicher, dass Sie alle neuen Spalten als Dimensionen zu den Metriken hinzufügen , bevor Sie neue Berichte erstellen.

Berichte

  • Kunden nach RFM-Gruppierung

  • Metrik A: New customers

  • Metric: New customers

  • Filter: Customer's RFM score (by percentiles) Not Equal to 000

  • Time period: All time

  • ​
    Interval: None

  • Diagramm ausblenden

  • Group by: Customer's RFM group

  • ​
    Gruppe von: Email

  • ​
    Chart type: Table

  • Kunden mit fünf Neuigkeitsergebnissen

  • Metrik A: New customers

  • Metric: New customers

  • Filter: Customer's recency score (by percentiles) Equal to 5

  • Time period: All time

  • ​
    Interval: None

  • ​
    Chart Type: Scalar

  • Diagramm ausblenden

  • ​
    Gruppe von: Email

  • Group by: Customer's RFM score (R+F+M)

  • ​
    Chart type: Table

  • Kunden mit einem Neuigkeitswert

  • Metrik A: New customers

  • Metric: New customers

  • Filter: Customer's recency score (by percentiles) Equal to 1

  • Time period: All time

  • ​
    Interval: None

  • ​
    Chart Type: Scalar

  • Diagramm ausblenden

  • ​
    Gruppe von: Email

  • Group by: Customer's RFM score (R+F+M)

  • ​
    Chart type: Table

Nachdem Sie alle Berichte kompiliert haben, können Sie sie nach Bedarf im Dashboard organisieren. Das Ergebnis kann wie das obige Beispiel-Dashboard aussehen, aber die drei generierten Tabellen sind nur Beispiele für die Arten der Kundensegmentierung, die Sie durchführen können.

recommendation-more-help
e1f8a7e8-8cc7-4c99-9697-b1daa1d66dbc