日常数据分析当中，需要不断给客户打标签，这样子一旦需要提取相应标签的客户资料时，就不会显得很慌乱。
因为我们都知道，客户不可能每个周期都出现，有些客户可能一年也就来一次，像这种客户的维护成本就会很高。因为他可能一年到头就没来店铺消费过。反而是那些短期内经常消费，给店铺带来稳定订单的，才是值得我们电商人应该重点维护的。
正文
像以往的打标签，往往都是给个会员等级，比如这个客户叫做VIP客户，那个客户叫做SVIP客户。可如果客户一直都没再来，就算我们给了这个等级划分又有什么用呢？
换句话说，如果我们给客户打的标签都是死标签，一旦打上就不会变的，那就失去了标签的意义。因为打标签的目的是希望能快速筛选出值得我们维护的对象。
从这段话可以去思考，做电商，从营销上来说，是不是应该定时通过社交软件去回访客户，而回访的客户清单明细，就应该是那些值得再次被维护的对象。
所以，如何自动化给客户打标签，就成为我们今天这节课的重点。
这节课依旧使用上一节课的数据源，也就是订单数据。既然我们要分析的是客户，那肯定就得从订单数据着手，那分析思路是怎样的呢？
首先，我们除了要有订单数据之外，最重要的就是要有标签体系，也就是什么样的客户给什么样的标签。对此，我做了一份标签表，如下所示。
我给不同的会员等级做了打标签的标准，这里需要解释3个指标的概念。
近度R(Recent)，也就是这个买家最近一单下单时间到打开这份文档的时候（今天）的距离时间。距离时间越近，说明这个买家相对来说刚在店铺下单没多久。
频次F(Frequency)，也就是这个买家一共在店铺下单的次数，如果他一次性下了2单，那么我们也要进行去重变成严格意义上的1单。并且，随着我们的时间切片器的不断筛选，这个数据要能变化。不能说，从他第一次下单到最近的下单次数都算在里面。
客单M(Money)，表示这个买家在指定时间内，平均消费多少金额。金额越大，说明购买力越高。有时候即使频次F很高，也不见得是值得维护的客户，因为有可能每次买的东西都很便宜。
在实际工作当中，因为订单数据是一直在变动的，尤其是大店铺的后台，那订单量会大到吓人，每天都在变化。所以，如果我们的数据分析也无法做到相对自动化的话，那么怎么可能去应对日益复杂的数据量，早晚被淘汰是可能的。
对此，我基于以上考虑，对订单数据做了RFM模型分析，希望能通过这个数据模型，让我们及时掌握哪些客户在接下来一段时间要去重点维护。
所以，接下来要怎么处理好呢？
我们既然要对客户数据进行打标签，那最起码得知道打标签的标准吧。上面的标签表虽然写着标准，但都是文本格式的数据，而我们实际上面对的订单数据是数值型的。
对此，像以前对数据进行离散化一样，我们需要进行一些处理。
解决掉第一个问题，如何计算近度R？
我们要做的是对这个客户的每一个订单都做时间计算，参考的标准是打开文档后刷新的时间标准，也就是随着每一天的刷新，这个近度R要能一直变。
一方面我用DAX函数给每个订单都做了近度R的判断，可以自动分析出每个订单距离今天的天数差，也就是距离了多少天。之后，做了一个度量值R，对所有近度R进行最小值计算，数值越小，说明这个订单距离今天就越近。
解决掉第二个问题，如何计算频次F？
只需要做一个对订单编号去重的度量值计算，就可以知道每个人各自买了多少次。
解决掉第三个问题，如何计算客单M？
通过计算[总金额]的度量值，然后结合[F]度量值，就可以计算度量值[M]，那么这样子我们就轻松实现了几个重要指标。
紧接着，通过Evaluate语句，结合Summarize()函数，直接生成链接回表加载进PowerPivot数据模型当中，我们需要一份可以知道每个会员的RFM分析参考表。
这就是链接回表，这份表会伴随着数据模型进行自动化处理数据。
我们接下来，需要将标签表也加载进来，然后进“关系图视图”去进行辅助列关联，最终效果如下。
选中不同的标签，透视表就会自动将订单数据当中符合打标签的客户都罗列出来，包含最近一次下单距离今天有多久，近度R；一共在店铺下单几次，频次F；平均消费多少，客单M。
只需要再结合时间切片器，就可以根据时间，甚至省份进行分析。由于所选的时间不同，看到的标签名自然就不同。
好了，今天的分享到此结束。
