客户分析思维导图_编号t227556-TreeMind树图

思维导图大纲

客户分析思维导图模板大纲

分析1：客户地区分析

分析2：流失客户分析

消费者下单后如果不付款，就会导致订单关闭，淘宝订单在下单后24小时内不付款就会自动取消，通过分析流失订单的共性和成功订单付款的平均时间间隔，找到降低客户（订单）流失率的方法。

统计流失金额和人数（现状）

分析各省份目前已流失的客户量及金额情况

订单状态做此视觉对象筛选【交易关闭】

assets/2025-05-29-09-36-38-image.png

小结：

通过统计得到该数据集中流失的现状--- 流失金额：96845；流失总人数：380

其中【等待买家付款】的9条订单需要被维护，找到付款率最高的时间间隔后，为这9条订单进行提醒或催单机制，带动其付款的几率

以及通过客户流失结合分析发现客户量越大，其流失率也相对越高，但其中山东省需要重点关注下

计算付款时间间隔（成功付款的）

datediff（起始时间，结束时间，单位）

返回两个日期之间的单位间隔（可指定单位）

淘宝订单在下单后24小时内不付款就会自动取消，故直接提取小时、分钟、秒数单位上的间隔

注意：datediff函数在处理小时数间隔计算上比较简单，相当于 hour(结束时间) - hour(起始时间) ，即不考虑60分钟为一小时的情况

assets/2025-05-29-09-48-39-image.png

故统计计算上会有出入，解决方案：

先计算分钟或秒数【分、秒数不影响】，对于小时数上手动换算：分钟/60

1、订单表新建列

付款时间间隔【小时】 = FLOOR('订单信息表'[付款时间间隔【分钟】]/60,1)

付款时间间隔【分钟】 = datediff('订单信息表'[订单创建时间],'订单信息表'[订单付款时间],MINUTE)

小时列的格式和数据类型建议调整为整数，虽然会做四舍五入，但至少比datediff函数提取的要好一点，或者直接配合向下取整 DAX函数 floor() 函数

注意：由于数据没有秒数内容【均为00】，故暂不求秒数间隔

2、拉矩阵表检查，查看不同时间间隔内已购买客户数量

注意：该图表需要已付款的客户

assets/2025-05-29-09-56-40-image.png

3、可选择再配合一个带下钻功能的柱状图，将间隔下钻到分钟

assets/2025-05-29-09-58-38-image.png

小结：

从下单到付款时间间隔在1小时之内的付款率最高，若超出一小时还未付款的，客户和订单的流逝较高，同时通过分钟间隔可知，直接付款的订单偏多【即详情页面直接付款或购物车直接付款】，另1-2分钟之间的付款率最高，故可以考虑在客户下单以后最迟1-2分钟之内必须给到一些有效的催单机制

客户生命周期分析

通过研究客户生命周期指定客户回访方案，这里使用Power Query结合M实现，计算每个客户最近消费【最近的两次订单之间的时间间隔】的时间间隔，根据客户最近消费的时间间隔比例，确定客户生命周期。

提取客户最近的消费时间间隔

1、回到 query中，复制订单表，保留会员名和付款时间列，其余删除；同时筛选出有效订单

assets/2025-05-29-10-13-48-image.png

2、按会员名进行分组依据，获取该会员的所有行

assets/2025-05-29-10-15-11-image.png

assets/2025-05-29-10-15-23-image.png

3、调整分组依据的步骤代码，让其只留下这个table 表中的付款时间列，形成一个 list列表

1）找到【分组的行】步骤，中 each _, type table [会员名=nullable text, 订单付款时间=nullable datetime]

assets/2025-05-29-10-23-21-6829872774289038702cf869bf5e1e7.png

2）删除后直接修改：each[#"订单付款时间"],type list

assets/2025-05-29-10-24-34-image.png

assets/2025-05-29-10-25-29-image.png

3）得到列表以后，可先对该列表中的行量做个统计，因为后续要做的是订单间隔的计算【起码要保证至少有两笔以上的订单才能进行】，故目前只买过一笔的客户需要筛选掉

List.Count(列) ：返回列表中的元素

新建列：

assets/2025-05-29-10-31-48-image.png

过滤掉1，即只有一次购买记录的客户筛选掉，只留下这段时间内有多次购买记录的客户

assets/2025-05-29-10-32-21-image.png

4）从筛选出的行数据表中（付款时间列），继续从该列表中拿出其中的最近两次交易时间，做间隔计算【即列表中最前面的两个日期值（此数据汇总时间默认按降序行为进行）】--- 最近两次交易时间的间隔结果也是最有参考价值的

List.FirstN(列表名，行的数量) ：返回列表中的前N行

List.LastN(列表名，行的数量) ：返回列表中的后N行

assets/2025-05-29-10-49-57-image.png

assets/2025-05-29-10-50-09-image.png

5）针对与上方得到的两次交易时间列表中的时间值，直接做相减计算

其中一共就两个日期，一个最大，一个最小，大-小 = 相隔天数

List.Max(列)：该列中的最大值

List.Min(列)：该列中的最小值

搭配一个日期转换函数Duration.Days（日期）进行24 小时为一天的转换

Duration.Days（日期）：返回日期的天数，按小时进行换算，返回一个天数值

assets/2025-05-29-10-54-43-image.png

结果列的数据类型统一为整数

assets/2025-05-29-10-55-46-image.png

6）计算出每个客户【有复购率的客户】的间隔值后，后续则利用帕累托找最集中的间隔值【生命周期值】：80% 的客户数主要集中在 20%的关键时间间隔内【生命周期值内】

对象：关键时间间隔内【生命周期值内】

关键指标：客户数

利用分组依据基于间隔值统计该间隔值内的人数情况【利用行量统计直接充当人数】

assets/2025-05-29-10-58-43-image.png

修改表名，并保<mark>证数据类型的统一</mark>

assets/2025-05-29-11-07-00-image.png

关闭上载，计算累计占比

assets/2025-05-29-11-08-39-image.png

计算时间间隔的累计占比

80%的客户数主要集中在 20%的关键时间间隔内【生命周期值内】

对象：关键时间间隔内【生命周期值内】

关键指标：客户数

新建列：计算人数的累加

随着间隔值越大，其间隔内的人数进行累加，先累加的时最有价值的间隔周期内的人数

累加函数：sumx、filter、earlier组合

累加 = SUMX( FILTER('生命周期表',EARLIER('生命周期表'[最近两次交易时间间隔天数])>='生命周期表'[最近两次交易时间间隔天数]),'生命周期表'[人数])

assets/2025-05-29-11-17-38-image.png

累计占比 = [累加]/SUM('生命周期表'[人数])

assets/2025-05-29-11-18-21-image.png

可视化参考

assets/2025-05-29-11-20-45-image.png

小结：

时间间隔在12的时候【13天内】，人数累计占比超80%，说明目前的数据集中，我们的客户生命周期主要集中在13天内，商家应该在13天内对客户进行有效的激活策略（催单、促销活动通知、回访等）

通过折线的拐点可以细化给到更具体的时间建议（1、3、5、8间隔值上均有明显的上浮拐点），故建议：在2-3天左右给到活动促销通知等，在3-4天或 5-6 天左右给到用户回访或满意度调查等【因为通过之前的省份分析发现客户主要还是集中在一二线城市较多，故这个时间段基本都属于收到货或甚至已经使用一段时间了】，但至少要保证 13天内必须给到一次有效激活

客户价值分组 --- RFM模型

RFM模型--- 衡量客户价值和创利能力的重要手段和工具，CRM（客户关系关系系统）中经常使用

F：消费的频率

M：消费的金额

R：最近一次消费时间间隔

------------ 用户精细化运营

根据RFM定义，间隔R、频次F、金额M与各平均值进行对比，共有8中组合

一般价值：R 小，F大，M小

重要保持：R 大，F大，M大

一般保持：R 大，F大，M小

重要发展：R 小，F小，M大

一般发展：R 小，F小，M小

重要挽留：R 大，F小，M大

一般挽留：R大，F小，M小

重要价值：R 小，F大，M大

计算R

计算现在与最近一次购买时间（最后一次购买时间）之间的间隔天数

离今天的间隔越小，说明该客户越有价值

新建列：

距离今天的天数间隔 = DATEDIFF('订单信息表'[订单付款时间],TODAY(),day)

利用最小度量值，正式计算 R

R =min('订单信息表'[距离今天的天数间隔])

计算F

对下单的订单量进行统计

F = COUNTA('订单信息表'[订单编号])

计算M

对实际支付金额进行统计

M = SUM('订单信息表'[买家实际支付金额])

分析RFM模型

利用dax函数按买家会员名将 R、F、M 进行汇总，形成一张新表正式用于分析

字段名：R、F、M ；表名：RFM

RFM = SUMMARIZE('订单信息表','订单信息表'[会员名],"R",[R],"F",[F],"M",[M])

assets/2025-05-29-13-40-48-image.png

客户价值 = IF('RFM'[R]<AVERAGE(RFM[R])&&'RFM'[F]>AVERAGE(RFM[F])&&'RFM'[M]>AVERAGE(RFM[M]),"重要价值",IF('RFM'[R]<AVERAGE(RFM[R])&&'RFM'[F]>AVERAGE(RFM[F])&&'RFM'[M]<AVERAGE(RFM[M]),"一般价值",IF('RFM'[R]>AVERAGE(RFM[R])&&'RFM'[F]>AVERAGE(RFM[F])&&'RFM'[M]>AVERAGE(RFM[M]),"重要保持",IF('RFM'[R]>AVERAGE(RFM[R])&&'RFM'[F]>AVERAGE(RFM[F])&&'RFM'[M]<AVERAGE(RFM[M]),"一般保持",IF('RFM'[R]<AVERAGE(RFM[R])&&'RFM'[F]<AVERAGE(RFM[F])&&'RFM'[M]>AVERAGE(RFM[M]),"重要发展",IF('RFM'[R]<AVERAGE(RFM[R])&&'RFM'[F]<AVERAGE(RFM[F])&&'RFM'[M]<AVERAGE(RFM[M]),"一般发展",IF('RFM'[R]>AVERAGE(RFM[R])&&'RFM'[F]<AVERAGE(RFM[F])&&'RFM'[M]>AVERAGE(RFM[M]),"重要挽留","一般挽留")))))))

不同标签的客户有不同的对用策略（常规）

重要保持：消费时间远，消费次数高，金额高，可能是一段时间没来的忠诚客户，可以主动保持联系

重要发展：消费时间近，消费次数不高，金额高，可能是一些新客户或潜力客户，必须重点发展

重要挽留：消费时间远，消费次数不高，金额高，可能是快要流失或已经流失的客户，必须采取挽留措施

重要价值：消费时间近，消费次数高，金额高，属于VIP客户，必须重点关注，跟踪他们的消费行为，及时提供高质量服务

另外4种组合与上类似，以一般定义，其重要程度低于重要

小结：

目前客户主要集中在一般发展和一般挽留上，基于判断特点，猜测属于新客户群体【一般发展】，但其粘性不高导致流失率很大，即引流的方式ok，可以把量引进来，但粘性不高或新用户的质量不高，导致流失率很大【一般挽留】，故优先给到建议：引流方式ok，但需要调整目标群体，以及想办法提高客户粘性为主进行优化策略，其中目标群体可以通过价值客户做一些用户画像的分析，去了解喜欢我们店铺的客户群的特点是怎么样的，基于这些特点找目标群体