1.分析背景与目的
英国某在线零售电商主要以销售各类礼品为主，很多客户都是批发商。本案例利用该电商2010年12月1日—2011年12月9日的在线零售数据，构建基于客户价值分析的RFM模型，对该电商客户进行分类，并对此结果进行动态的客户分析，为针对不同的客户采取不同的运营决策提供依据。
2.分析思路
（1）分析指标
（2）提出问题
① 如何构建RFM模型以及并利用该模型进行客户群体分类？
②不同类型客户数量的分布及贡献价值情况？
3.数据理解与清洗
3.1 理解数据
（1）数据来源：数据集来自UCI加州大学欧文分校机器学习库（UCI Machine Learning Repository: Online Retail Data Set）。
（2）时间节点：2010年12月1日—2011年12月9日。
（3）数据大小：541909条数据，8个字段。
（4）字段说明（理解字段在业务中所代表的的含义）
InvoiceNo：发票编号。为每笔订单唯一分配的6位整数。若以字母'C'开头，则表示该订单被取消。
StockCode：产品代码。为每个产品唯一分配的编码。
Description：产品描述。
Quantity：数量。每笔订单中各产品分别的数量。
InvoiceDate：发票日期和时间。每笔订单发生的日期和时间。
UnitPrice：单价。单位产品价格，单位为英镑。
CustomerID：客户编号。为每个客户唯一分配的5位整数。
Country：国家。客户所在国家/地区的名称。清洗数据
3.2数据清洗
数据清洗部分思路如下：
3.2.1 选择字段和重命名字段
①删除Description、Country字段，因为本次分析不涉及该字段数据。
②增加每笔订单中每件商品的总价字段TotalPrice，TotalPrice=UnitPrice*Quantity，即数据每一行列出的是某种商品的购买数量和商品单价。
③Invoicedate中的时间包含了年月日和时分秒，将两者通过分列功能分开，分别用Date和Time表示。
3.2.2 删除重复值
因为该数据中，每一行并不代表一个独立订单，而是代表订单中的某种商品的销售情况（数量及单价等）,该电商平台是否会自动合并同一订单里的相同商品不得而知。我们规定，若所有字段的值都完全相同，则视为重复数据，仅保留一条。经过查重，删除重复值5268条。
3.2.3 缺失值处理
CustomerID存在缺失值135080条，数据都很大，不可能全部删除。在实际工作中CustomerID这样的数据缺失，首先找业务部门或者数据来源部门确认补上信息。那么在这里无法找到相关人员确认，暂且把处于缺失状态的值替换为0（null值替换为0）
3.2.4 一致化处理
将Date字段设置为日期格式，其他为常规格式。
3.2.5 异常值处理
①检查日期是否在规定时间范围内（2010年12月1日到2011年12月9日）。
结果显示，所有日期都在规定范围内，属于正常数据。
②检查单价和数量是否存在异常值，如负值，零值。
检查发现，数量出现了负值，单价出现了0值和负值，把它们全部删除。
③发票编号InvoiceNo是否含有“C”订单。
前面字段开头有说明，发票编号InvoiceNo含有C字头的是取消订单，故全部删除。
4.构建RFM模型及客户分类
4.1 构建RFM模型
4.1.1 构建RFM模型指标
RFM模型是衡量客户价值和创利能力的重要手段和工具。通过研究客户近期的购买行为、购买频率以及购买金额来判定客户，从而可以实现对客户精细化划分。
本次分析采用RFM模型分析客户。RFM模型需要知道每位客户最近的一次消费时间（这里以2011/12/09为参考时间），时间范围内的消费频率和总交易金额。接下来我们要做的就是把这些查询出来，以供后面分析。一个发票单号是一个订单。
4.1.2创建新表RFM
下面需要求出与上述三个相关的衡量指标，即天数差R、消费频率F、消费金额M及创建新表RFM。
（1）天数差R计算
利用排序功能和Countif()函数将每位顾客最后一次消费时间筛选出来，相差天数就等于2011/12/9减去最后一次消费时间。
（2）消费频率F、消费金额M计算
第一次消费时间和最近一次消费时间之间的时间段内，消费的次数（F）和接金额（M）
（3）RFM表
4.1.3 R、F、M评分
（1）R、F、M评分标准
R值分段得分F值分级得分M值分段得分
依照评分表，利用“IF函数嵌套”计算出各用户对应的RFM得分：
R=IF(D2<=30,5,IF(D2<=90,4,IF(D2<=180,3,IF(D2<=365,2,1))))
F=IF(E2<=5,1,IF(E2<=10,2,IF(E2<=20,3,IF(E2<=80,4,5))))
M=IF(F2<=500,1,IF(F2<=1000,2,IF(F2<=5000,3,IF(F2<=10000,4,5))))
4.1.4 创建RFM值表
在计算RFM值时，通常将与RFM评分的平均值作对比，首先利用Average()函数求出三者的均值。
根据上述求得的均值，利用“IF函数”将R、F、M评分与其对比，我们以“1”表示得分高于平均分，以“0”表示得分不高于平均分，依次对RFM值进行计算，得到如下结果：
4.2 利用RFM模型进行客户分类
客户分类标准
客户分类方法
用CONCATENATE()函数函数将所有客户的R、F、M值连接起来，然后将客户类型对应的值R、F、M值也连接起来。
最后用VLOOKUP()进行匹配即可达到对客户进行分类的效果。
5. 可视化分析
对基于RFM模型的客户分类结果进行分析，了解不同类型客户的数量分布情况及贡献价值情况。
5.1 不同类型客户数量的分布情况
对得到的各类型客户的总数和各类型客户的客户占比情况，分别用柱形图和饼图表示。
从该电商客户数量上分析，重要深耕客户最多，占到了38.47%；其次是重要挽留客户，占比是19.11%；重要价值客户排在前三位，为17.59%。
5.2 客户贡献价值分析
通过客户贡献价值分析（各类型客户贡献销售额与所有客户贡献销售额的比值）来衡量其贡献价值。
通过图形可以看出，虽然重要深耕客户的数量最多，但是重要价值客户的销售额贡献率最高，17%的重要客户贡献62%的交易额，符合二八法则。
6 结论与建议
结论：该电商客户根据RFM模型可分为8个类型，重要深耕客户、重要挽留客户和重要价值客户排在前三位，是该电商的主要客户类型。销售额主要依赖于重要价值客户，占总销售额的62%；其次是重要深耕客户，占总销售额的24%。
建议：针对不同类型客户人群应该制定针对性策略，从而刺激进一步的客户消费。
①对于重要价值客户，要积极沟通，重视他们的需求，可以适当给予店铺VIP资格，建立客户忠诚度，牢牢抓住这类客户。
②重要深耕客户数量最多，且销售额贡献也排第二，销售人员应该努力跟进这些用户，促进这些用户转换为“重要价值客户”。
③重要挽留客户人数排第二位，针对这部分客户，应该重点联系或拜访，提高留存率。
④后续几类客户可采取适当性策略，有选择性的维护。
