前面几篇文章介绍了如何用PowerBI对客户进行分析，相关的分析维度和方式有很多，实际应用也是千差万别，但谈到客户分析，不得不提及一个经典、通用的分析模型：RFM模型。
RFM模型是衡量客户价值的一个重要的工具和手段，它通过客户的三个行为指标对客户进行分类：
Recency：最近一次消费时间间隔
Frequency：消费频率
Monetary：消费金额
RFM模型的名字也就是这三个指标首字母的组合，一般来说，最近一次消费的间隔越短、消费频率和消费金额越高，客户价值越大。
这三个行为指标可以继续细分，最常用的是二分法，每个指标按照特定的阈值划分为两类，比如按平均值划分，优于指标平均水平的设置为1，否者为0，这样组合成8个客户类别，其特征分别如下：
RFM分析模型的重点就是计算出每个客户的三项指标，然后划分为特定的客户类别，这篇文章就来看看，在PowerBI中如何进行RFM分析。
一、建立模型
模拟数据为一个订单明细表，包含每个客户的下单日期和下单金额等明细数据，以及对应的维度表，数据模型如下图：
然后为了方便分组，建立一个RFM类型表：
二、建立RFM度量值
这是最关键的一步，分别写R、F、M的度量值。
Recency:最近一次消费时间间隔
这里以最新的业务日期为锚点，最新业务日期的度量值为：
业务最新日期 =MAXX( ALL( "订单表" ),"订单表"[订单日期] )然后计算客户最后消费日期距离业务最新日期的天数：
R 最后消费间隔天数 =DATEDIFF( MAX( "订单表"[订单日期] ), [业务最新日期], DAY)
对R指标采用二分法，本案例以常用的平均值为分界点，平均间隔天数的度量值为：
R 平均间隔天数 =AVERAGEX( ALLSELECTED( "客户表" ), [R 最后消费间隔天数])R值确定的依据为：如果最近消费间隔天数比平均天数短，则客户价值越高，设置为1，否则设置为0:
R 值=IF( ISBLANK( [R 最后消费间隔天数] ), BLANK(), IF([R 最后消费间隔天数] <[R 平均间隔天数],1,0))
这样，R的指标就计算出来了，下面用同样的方式来计算F和M.
Frequency:消费频率
F 消费次数 =
DISTINCTCOUNT( "订单表"[订单号] )
F 平均消费次数=AVERAGEX( ALLSELECTED( "客户表" ), [F 消费次数])F 值 =IF( ISBLANK( [F 消费次数] ), BLANK(), IF( [F 消费次数] >[F 平均消费次数],1,0))
Monetary:消费金额
M 消费金额 = SUM( "订单表"[销售额] )
M 平均消费金额 =AVERAGEX( ALLSELECTED( "客户表" ) , [M 消费金额])
M 值 =
IF( ISBLANK( [M 消费金额] ), BLANK(), IF( [M 消费金额] >[M 平均消费金额],1,0))
上面的这些度量值已把R、F、M三个指标计算出来，下面来看看如何展现根据这三个指标来对客户进行分类。
将三个指标组合成一个RFM值：
RFM 值 = [R 值]&[F 值]&[M 值]
计算每个客户所属的RFM类型：
RFM 类型 =VAR RFM_value = [RFM 值]RETURNCALCULATE( VALUES( "RFM类型表"[类型] ) , "RFM类型表"[RFM]=RFM_value)至此，RFM模型所需要的度量值已写完，利用这些度量值就可以进行RFM分析了。
三、建立RFM分类模型
首先，可以从整体上看看这8个分类分别有多少客户，以及占比是多少，用条形图和环形图来展示：
然后可以用表格更明细的显示每个客户的R、F、M值分别是多少，以及所属的RFM类型，
还可以利用散点图来看看每个类别客户的分布情况：
平面二维散点图只能展示两个指标，这里将M、F分别作为X轴和Y轴，而另外一个指标R，作为图例，按不同的颜色来展示。
把这些可视化图表组合到一起，就形成了一个RFM分类模型：
除了上面提到的几个主要图表，这里还加入了RFM三个指标的平均值，以及其他细节的设置，进而构成了一个完整的RFM分析模型。
在这个模型中，可以点击按RFM类别来动态查看具体客户的详情和分布情况，
也可以对特定维度的客户进行分类，比如按城市查看分类情况，
是不是很灵活，它可以根据用户的探索，从多个维度进行RFM分类，并动态快速返回分类结果，这是RFM模型的优势，更是PowerBI的优势。
RFM模型需要写的度量值看起来很多，但其中用到的DAX并不复杂，上手学习一段PowerBI，多练习、先模仿，每个人都可以做出一个这样的模型。
