拟定利用店铺的销售订单数据作为进行客户数据分析的数据源。这里我们把客户数据分析分为两个部分。第一部分是关于店铺客户的黏性分析，第二部分是关于客户的价值分析。
1）客户黏性分析
根据销售订单数据中客户重复购买情况统计分析用户黏性。店铺后台数据导入Excel，进行数据清洗，筛选“订单状态”为“交易成功”，如图4-52所示。
图4-52 销售订单
插入数据透视表，将“买家会员名”字段分别拖入行标签和数值区域，按会员名进行汇总，如图4-53所示。
图4-53 按会员名称汇总
根据透视表计数项总计得到“交易成功订单数”。使用COUNTIF函数分别计算不同购买频次的客户数。例如计算购买频次1次以上客户数，在E6单元格输入“=COUNTIF（＄B＄4∶＄B＄173，″=1″）”，如图4-54所示。以此类推，可以求得其他购买频次的客户。
图4-54 计算购买频次
成交客户数（成交UV）=SUM（E6∶E11），重复购买UV=SUM（E7∶E11），F6=E6/＄E＄4，G7=E7/＄F＄4。其余单元格以此类推，完成后如图4-55所示。
图4-55 计算相关统计量
经简单处理，图4-55数据整理如图4-56所示。
图4-56 统计结果
有了图4-56中的数据，你能不能尝试分析该店铺客户黏性呢？老客户的比例可评判店铺运营的情况。根据运营经验，新店及运营较差的店，其老客户比例小于10%；成熟店铺为10%～20%；较好的店为20%～30%；老客户在35%以上，客户黏性较高，则是运营优秀的店铺。
2）客户价值分析
基于网店的销售订单数据，借助RFM分析模型对客户进行分类，衡量客户价值。RFM模型主要指标构成包括：Recency、Frequency、Monetary 3项。
第一，Recency指最近一次消费，用客户最后成交时间跟数据采集点时间的时间差（天数）作为计量标准。
第二，Frequency指客户在一定时间段内的消费次数，即消费频率。
第三，Monetary指消费金额，客户每次消费金额的多少。可以用最近一次消费金额，也可以用过去的平均消费金额，根据分析的目的不同，可以有不同的选择方法。一般来讲，单次交易金额较大的客户，支付能力强，价格敏感度低，是较为优质的客户。(www.xing528.com)
通过将每位客户的3个指标与均值进行比较，可以将客户细分为8类，见表4-2。表中
表示大于等于均值，
表示小于均值。
表4-2 客户细分
从数据源中获取RFM模型三项指标对应的客户数据。将原始销售订单数据进行处理，筛选出交易成功的记录，包含订单编号、买家会员名、订单付款时间、总金额，如图4-57所示。
图4-57 数据筛选
根据分析需要，假设采集分析数据的时间为2018/2/12。R表示客户订单付款时间跟数据采集点时间的时间差，Excel操作如图4-58所示。
图4-58 时间差
F表示分别求和各个会员的交易次数。M表示分别求和各个会员的交易金额。插入透视表，将“买家会员名”拖入“行标签”栏，将“订单付款时间”拖入数值栏，值字段设置为“最大值”，并设置时间格式为自定义格式：yyyy-mm-dd。将“订单编号”拖入数值栏，值字段设置为“计数”，将“总金额”拖入数值栏，值字段设置为“求和”，操作如图4-59所示。
图4-59 数据透视操作
选择A到D列，分别复制“行标签”“最大值项”“计数项”“求和项”，使用选择性粘贴“值”的方式，将数据透视表转换为普通表格，如图4-60所示。
图4-60 数据透视结果
图4-61 变量含义
根据每个客户的R、F、M 3个指标值与其对应指标平均值AVG（R）、AVG（F）、AVG（M）的大小组合关系来进行客户分类。R-Score、F-Score、M-Score 3个变量含义如图4-61所示。
运用逻辑“&”合并R-Score、F-Score、M-Score，在I列中计算出RFM-Score值，如图4-62所示。
请思考图4-62中RFM-Score项的数据与表4-2中客户类型（Customer type）的对应关
图4-62 计算RFM-Score值
系。“111”“122”分别表示哪一类客户？再次利用透视表形成统计结果，并利用条件格式进行数据展示。将“RFM-Score”拖入“行标签”栏，将“买家会员名”拖入数值栏，值字段设置为“计数”，设置条件格式为黄色数据条渐变填充，如图4-63所示。
图4-63 透视结果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
