【DEF系列_03】购买频次区间

购买频次（Frequency），广为人知的RFM模型里面的F说的就是ta

购买频次是指用户在一定时期内（一周/一个月/半年）的消费频率。

一般说来，用户的购买行为在一定时间内是有一定的规律性的，购买频次就是衡量用户购买行为的一项重要指标，它的高低取决于用户的使用频次。用户购买频次高，反映了企业提供的产品 or服务是有一定的吸引力的，直观上看，购买频次越高表示用户越忠诚。很多企业的用户激励机制都基于这个指标来制定，第一次购买后还想要用户第二次购买，第三次购买。。。总之，F越高越好！ 

通常，F值的提升会带来销售额M的增长，注意，这里说的是“通常”，你懂的，不靠谱的运营是肯定存在的。。。举个栗子：

小A现在是一家连锁便利店的店长，门店商圈范围内有1000个顾客（占比门店整体顾客数80%）每个月会到小A店里消费1次，按照门店过去6个月的平均客单价30来算，这部分顾客一个月贡献的销售额是：1000*30客单价=30000元；加上另外20%高频次顾客的销售额，小A觉得这一个月7w的销售额，有点对不起公司给他发的工资，而且小A发现，那20%的高频顾客贡献了门店57%的销售额。小A暗下决心，准备通过提升门店服务来提升销售额，这个时候，小A有两个选择：

①开拓更多的新客，比如通过提升服务，让老客自发介绍邻居来店里消费；

②增加老客的购买频次，让那些一个月只来消费一次的顾客，通过优质贴心的服务，来两次甚至三次；

思考至此，干就对了！小A一顿操作猛如虎，人间已过1月+，在某个夜深人静的夜晚，小A复盘数据一看，真提升了：这部分之前只交易一次的老客中，有38%这个月到店里消费了2次，有10%这个月消费了3次。这时，这部分顾客一个月消费的频次就从原来的1000人次变成了：1000人次+380人次+200人次=1580人次，销售额也相应提升到了47400元。键盘一顿噼里啪啦后，小A心中狂喜。。。

随后几个月，小A按照这个策(tao)略(lu）执行，老客以及老客带来的新客（们）的购买频次都有所增长，门店业绩也实现了超预期增长。终于，小A出圈了，应总部邀请给各个门店店长分享增长心得及技巧，复盘整个增长过程，小A发现自己做对了三步：

1、方向正确：以提升销售额为目标，通过拆解销售额=会员数×客单价，客单价=单次交易额×交易频次，确定了靠“提升频次带动销售”的策略；

2、顾客分层：精准识别出了不同频次区间的顾客，锁定了重点，即提升那些平均一个月只交易一次的顾客；

3、执行到位：再好的策略在差的执行力下都是浮云；

1和3就不展开了，说起来得1万字。。。这篇站在数据分析师老K的角度说说怎么帮小A区分不同频次区间的顾客，走起~

---

现有一张便利店的交易明细表，内含交易日期、订单号、会员编码、订单金额等信息，样例如下：

小A需求：识别只交易一次的顾客

老K思考过程：我们公司这业态，只算交易一次的顾客么？那怎么对比？不对比怎么衡量交易一次的是好还是差？我给了只交易的一次的数据，这Y看后肯定还得问我要其它频次的人群数据。。。

故，老K把需求转化成了这样：求每月购买次数为1次、2次、3次、4-5次、5次以上的客户分别有多少？再送Y一个贡献的销售额及占比

这种题型，DEF函数仍是最优解。按照惯例，重温《戏说DEF函数》以及函数语法：

DEF(聚合指标, [维度1,维度2,...], [过滤条件1, 2,...]) 

DEF_ADD(聚合指标,[维度1,维度2,...],[过滤条件1, 2,...]) 

DEF_SUB(聚合指标,[维度1,维度2,...],[过滤条件1, 2,...]) 

然后我们再来看看老K怎么用DEF函数实现的~

---

 Step1 

导入数据：

打开FineBI6.0，在tab【我的分析】中新建分析主题，弹出【选择数据】框，将Excel数据导入（当然，当前工程上有数据的话，可以直接调用工程上的数据）

 Step 2 

指标计算，分两步走：第一步计算出每个会员的购买频次；第二步再根据购买频次分组

①计算出每个会员的购买频次，添加计算字段：DEF(COUNTD_AGG(订单号),会员编码)即可

②将计算字段“每个会员的购买频次”从指标转化为维度

然后再根据1次、2次、3次、4-5次、6次及以上分组

知识点：DEF函数支持转化为“维度字段”，DEF_ADD&DEF_SUB均不支持此功能；

 Step 3  

制作仪表板，此处通过分组表展示：

①选择分组表

②将已转化为维度的“每个会员的购买频次”拖入维度栏，重命名为“频次区间”

③将会员数量COUNTD_AGG(会员编码)拖入指标框两次，一个用于计算会员数，一个用于计算占比

④将会员的交易额拖入指标框两次，一个用于计算交易额，一个用于计算占比     

当然，想看得更直观，用柱状图会更合适而且美观，这部分不是重点，感兴趣的同学可自行尝试~

---

 小结 

通过以上过程，老K帮助小A区分出了只交易一次的顾客，并通过对比的方法，为业务策略落地提供了数据支持。

这是分类思维的一个应用场景，常见的还有：RFM、分层分析、矩阵分析、维度分析等，上篇分组后求平均《【DEF函数应用】之均值计算》其实也是这个思路，还有常听说的“物以类聚，人以群分”。。。

分类是结构化思维的底层逻辑，是我们分析很多问题的常见用法。之所以常见，是因为这种方式可以把信息归纳得井然有序，并且我们可以通过分类①获取新的信息②变换分类规则可以获得不同的信息；你在工作、生活中有遇到哪些分类的应用场景？来，咱们评论区一起聊聊~

好了，今天就酱紫啦，回见~     

我是BI实战，关注我，带你在FineBI的世界飞

您好，感谢您的投稿。您此篇文章内容是从零售业中较为普及的RFM模型中的购买频次入手，引出案例背景和场景操作，并进行向下拆分需求分解，逐步通过数据支撑实现业务策略落地，也展现出了严谨的逻辑与出色的实践能力。再次感谢您的投稿，期待您的下一篇优秀原创！