【Tableau】15大详细级别表达式-会员分析案例（对话版）

【2022年】

2022年，我在B站发布了15大LOD表达式最新的解读版（免费系列），这个系列算是到了最后。

Tableau LOD表达式案例精讲 https://space.bilibili.com/661356868/channel/collectiondetail?sid=193485

在这次讲解中，我把原理解读、表计算等内容融合其中，部分案例讲解了多个方法，并做了延伸（比如客户购买力分析）。近年来，不管是Power BI，还是帆软、观远同行，都在试图复刻这里的题目，也希望每一位业务分析师视为高级分析路上的“通关贴”之一。

如果不能游刃有余的理解这些题目，或者同行不能用你认为最好的工具完成，那么在业务理解、高级计算方面，请保持谦逊！

【2019年中秋】

很多人联系我说“LOD博客帮助很大”，“是最清晰的LOD博客”，但有感觉多有赘绕。毕竟是分多次所写，近半年一直没有重大更新，实在抱歉。中秋三天，我终于把最难的LOD表达式的核心原理视频录制完成了，可以作为问本博客的修订版本。

很多人希望我修改博客，但是我知道过去的思维已经很难打破，困难重重。录制视频的好处是，强迫自己闭关三天开发了一套全新的分析视角，录制过程“制作PPT——录制1080P视频”一气呵成，完全超过我自己的想象。在视频中，我把行级别、视图级别、表计算、LODs整合在一起，分为了三类六种的Lod表达式，然后由浅入深层层分析。会比此前的博客更加容易接受，特别适合于没有IT基础的业务用户。

twbx文件下载

之前很多人找不到下载链接，特此移到前面。下载我的LOD案例，部分有解读，特别第15个：

lod 15大详细级别表达式

作为Tableau学习路上最大的拦路虎之一，LOD如此强大，但又如此变化莫测，需要反复的练习和琢磨才行。在LOD的第三篇中，我们详细介绍了分析LOD类型命题的思路，即可视化焦点+引用背景的分解方法（【Tableau】详细级别表达式LOD_(3)）。这篇博客，我们将详细地介绍官方的15大详细级别表达式de会员分析部分，并用上面的思路做进一步的分解，有助于初学者更好地理解这些案例。

下面的链接，可以看到LOD15大详细级别表达式的中英文版原文。

• 【中文】15 大详细级别表达式
• 【英文】Top 15 LOD Expressions

「可视化焦点+引用背景」的分解方法，其本意就是让我们把解决问题分为台前和幕后两个阶段，台前的部分是数据冰山上的可视化部分，而幕后的部分则是使用LOD引用视图详细级别中没有的聚合。这就是官方博客中第二段的首句的意思。

“LOD表达式提供了一种简单的方法，用以计算不在可视化详细级别层面的数据聚合。你因此可以在视图中以多种方式整合这些数据。”

在前一篇文章中，我们花了极大的篇幅介绍了官方的15个LOD案例，几乎涵盖了常见的各种用法。在本篇中，我想只针对【会员分析】这一个主题，根据主题分析的方法，介绍如何将Tableau 的LOD分析工具，应用到真实的业务环境中去。
在15大LOD中，和会员紧密相关的是案例1 客户订单频率分析，案例2 客户阵列分析，案例5 新客户争取率（获客率）分析，案例10，各阵列的回头客分析，案例15，各客户阵列的年度购买频率分析。
为什么会员分析如此高频又如何重要？一方面，只要有会员标识的数据，相对都更加完整，我们有两个唯一的标识（用户唯一标识和订单唯一标识），可以增加分析的维度，另一方面，对顾客和会员的分析，是可以立刻反映公司经营质量的重要指标。
（前面的案例分析和第一篇一致，近期会二次修改，如果看过上篇的，可以直接看最后一个案例——大结局和大升华）
【Apr 15, 2019补充】前几天在河南中原做培训课，题目讲的很清楚，很多人最后说“就是不知道为什么做这样的题”，每个题目背后都是真实的业务需求；因此，高级的数据分析师和商业数据分析，都是从问题、从业务开始的，了解业务是深耕分析的前提。
为此，我们在每个题目前面加上一段虚拟的对话，帮助更多人了解这些题目本身的用意。

领导：小王，我刚上任不久（会员营销部部长），对很多数据还不熟悉，最近我要了解一下我们真实的业务状况，特别是了解一下为什么最近几年的部门负责人频繁更换，作为业务老员工，你可要给我最真实的数据。

小王：没问题的，领导。你说想知道什么吧。

领导：我们的所有消费基本都是会员制的，作为会员营销部，我们重点围绕会员分析。首先，近年来我们的销售持续下滑，我想知道过去几年所有的会员消费质量，最简单的分析大概就是知道每个人总共来过多少次吧，看看是一次性的客户多，还是高频词反复购买的频次多，这样我就可以推测是否是会员出了问题。

小王：好的领导，就是要看“所有客户购买次数的分布”吧，你看第一个题目😄……

领导：我刚才看了一下第一个题目，问题很严重啊，一次性客户基本特别多，根本不带回头再来的！我今年刚来，我要知道每年有多少新客户消费，多少老客户消费，新老客户就按顾客是哪年来的看吧（休想把前几年的问题归罪到我头上！）上一任做的时间最短，不知道去年的情况有没有好转？

小王：好的领导，你想看看这几年每年的消费构成是吧，以客户的新增年度来区分，我们也称之为矩阵分析，您看第二题目吧😄 ……

领导：这个结果比第一题还惨啊，最后一年的消费，竟然还有这么多都是第一年的老客户贡献的，后面几任营销部门负责人都吃shi去了吗？（🤫）看来我的任务任重道远啊…… 领导一直换，下面的区域负责人没变啊，给我看看下面几个市场，谁家的新客户增长最多，谁在偷懒？我要找个做的最差的先枪毙了！

小王：好的领导，看见每个市场的新增客户趋势是吧，我们看看累计趋势吧，每条线的最后就是这个市场现在的所有新客户，可以看到对比增长的趋势，和最后的绝对值数量，请看第三题😄……

领导：看不下去了……自从首任领导之后，新客户增长就完全放缓，几乎不增长了啊，前面的四大市场同时放缓，我都不知道该处理谁了……难怪都是领导下岗…… 我觉得我要调整思路，看来新增会员很难，我也要走短平快路线，帮我看见那几个季度的会员复购水平最好，我要重点去开发这些老客户（啃老本）

小王：好的领导，我帮您分析一下过去每个季度，每个客户在第一次购买之后复购的时间间隔吧，有的第一次消费后三个月（一个季度内）又来了好多次，有的人过了半年才能一次，我用一个矩阵给你看准确的复购会员数量，请看第四题……

领导：不错小王，Tableau很扎实，看图上的信息，现在的消费很多还是2011年的第一批老客户，就这些人了，我要继续开发，他们再不来，我就该不来了…… 对了上面图表这么多，你能帮我尽可能用一个代替吗？我想看每年的新增会员在接下来每个消费年度的消费情况，比如今年的消费中，过去几年的新增客户分别购买了几次，这样以后我就用一个图自己筛选了。

小王：好的领导，我给你做一个终极图，你可以筛选每个年份，看到当年消费中的会员构成分别来自哪个年份（每个年份一条线一个颜色），同时我把这些顾客的消费频次放上，同时给你看看至少消费一次、两次、……N次的数量占比，你就知道那些客户贡献的多了。

领导：漂亮！不会是最后一个题吧，谢谢你，谢谢Tableau

---

1、客户订单频率 Customer order frequency

在零售分析中，我们经常会遇到“顾客购买频次”分析，通过查看顾客购买次数的数量和分布，来分析顾客的复购黏性。

命题：客户的购买频率分布，即购买过一次、两次、三次……的顾客分别多少。

• 可视化焦点：不同购买次数下的顾客数量。
  • 可视化维度：购买频次（1，2，3，N）
• 需要引用的背景信息：每个顾客的购买次数
  • fixed [customer ID] : countd(order)

在视图中，我们仅使用两个维度——购买频次和顾客的计数，也就是两个都是数值。用官方的方式说，这是用一个数值去区分另一个数值（breaking out a measure by another measure ），LOD fixed可以轻松地把一个度量转化为维度，这是include和exclude不能做的。

//要点：Fixed LOD的独特之处是返回的多个数据结果可以作为维度使用。相比之下，include和exclude都只能作为度量使用。

2、阵列分析 cohort analysis

这个命题希望看到每个年度的新增客户在当年的销售贡献。我们把顾客获得的年度，简单称之为顾客新增，或者叫新增年度。从视图的角度看，视图的关注焦点是什么？每年中不同顾客阵列的贡献金额。因此，可视化中的维度是年、销售额sum和顾客标签（新增年度）。

在视图中我们缺少什么信息，需要我们从背景信息中引用呢？我们缺少每个顾客的标签（新增年度），因为视图不是顾客详细级别的，这就需要LOD来实现不在视图详细级别的维度的聚合。（LOD provide a way to easily compute aggregations that are not in the level of the visulization.）

首先我们按照客户首次购买的年份将客户分组，虽然这个LOD fixed返回的是首次购买的完整日期，但是我们使用它的年度部分，因此把所有客户按照年度分为几组，比如2010、2011、2012……

1st order date = {Fixed [customer ID]: MIN([order date])

为了对比各个阵列的年度销售贡献额，我们把order year拖入列，profit加入行，生成一个可视化图之后，再引用背景信息（首次购买日期）到颜色中，形成不同年度客户的贡献金额。注意，这个视图的详细级别是顾客，因此一个顾客只会对应一个最早购买日期。

接下来的工作，就是通过表计算实现阵列的百分比分析了。
//要点：一方面使用了fixed LOD作为维度使用的功能，另一方面通过把LOD字段加入到颜色标记，进一步增加了数据的表现深度。

5. 新客户争取率 New customer acquisition

命题：what is the toal number of customers we’ve acquired per market by day?

这个命题的可视化焦点是每个市场每天的新客户获得数量，因此需要把三个维度或度量加入到视图：日期（天）、市场、新顾客数量。 注意，这个题目的数据，应该是订单级别的，而不是商品级别的。

而新顾客数量，就是我们需要使用LOD额外引用的背景信息。

要特别注意的是，这个题目和前面第二题不同，前面我们通过 {fixed customer: MIN(order date) }返回每个客户的最早订单日期，因为第二题的详细级别是顾客，因此顾客和最早购买日期是一一对应的。但是这个命题中，查看客户争取数量，是以日期为详细级别的，一个顾客的订单可以分布在多个日期之中，因此就需要对应不同的标签。这是这个命题的关键。

因此，额外的背景信息就是，每个顾客在每个消费日期下对应的标签，是新客户，还是老客户？判断新老客户，又需要与首次购买日期做对比，因此首先会用到Fixed LOD：

1st order date = {Fixed [customer ID]: MIN([order date])

上面的LOD表达式是在顾客详细级别上的计算，接下来我们需要在行级别做每个订单的判断，因此使用if函数。将每一次的订单时间和首次购买时间做匹配，给每个订单打标签：

IFF( [1st order date]=[order date], ‘new’,’existing’ )

在准备好了背景数据之后，我们就可以构建视图了，这里把上面的new/existing加入了筛选器，仅保留了新客户的数据，也就是只有每天新客户的首次订单。既然一个新客户只对应一个订单，就可以通过通过计算顾客的数量，加上running total，生成新客户的数量。

//要点：在上一个的用例基础上，这个增加了if判断、筛选器和表计算。而Fixed LOD只有一个。这个的难点在于理解命题的整个逻辑。

10.各个阵列的回头客

After customers are acuqired, how many quarters elapse before they make another purchase?

在零售分析中，会员分析的RFM模型会被广泛引用，RFM分别代表会员最近一次消费(Recency)、消费频率(Frequency)、消费金额(Monetary)，三者构成了衡量客户价值的重要指标。通过分析最近一次消费的时间可以判断会员状态（流失？沉睡？存活？），通过分析消费频次可以判断顾客的忠诚度，而通过分析消费金额，则可以推算顾客的贡献度（高价值顾客、低价值顾客等）。

在这个题目中，我们要分析顾客两次消费的间隔，因此我们需要给每位顾客分别打两个标签：最近一次消费时间、最近第二次消费时间。

我们在视图中构建矩阵，横轴和纵轴分别会是日期和日期间隔，数据为两次消费时间的间隔；视图中没有顾客的维度，但是又是以顾客为详细级别的。为了解决“视图中没有的维度但又要引用这个级别的数据计算”，我们需要使用fixed返回顾客的消费日期。

• 可视化的焦点：下单日期和购买频次间隔，顾客详细级别。
• 需要引用的背景信息：每个顾客在两次购买中间的间隔，顾客的订单详细级别。

这个题目的关键是，我们需要使用两次Fixed函数，返回两个日期，第二个日期建立在第一个日期的计算基础上。
首次消费日期：如果我们把每个顾客的所有消费日期看作一个整体，我们可以理解为一个数组；首次消费日期，就是从每个数组中找到其中的最小值。我们使用fixed指定每个顾客返回这个结果，因此公式如下：

1st purchase date = {Fixed [Customer ID] : MIN([Order Date])}
Fixed LOD是直接在数据源层面计算的，返回的结果是行级别的，因此每个顾客的每一条记录都对应了一个1st purchase date字段。

接下来，我们需要返回第二次购买时间，如何返回？我们需要使用一个临时字段，新建一个新的数组，剔除首次购买时间。我们可以使用IIF函数，把首次消费时间返回为NULL，其他的按照原值返回。公式如下：

IIF( {fixed [Customer ID] :min([Order Date])} =[Order Date], null, [Order Date])

如果创建了第一个字段，也可以使用上面的第一个字段替换，简化为:

IIF( [1st purchase date ]=[Order Date], null, [Order Date])

这个字段暂且命名为[Repeat Purchase]，返回的是顾客剔除首次消费日期外的其他消费日期，再次基础上，我们再用fixed LOD+ min函数，返回第二次消费日期即可，如果直接在上面的基础上修改，就是：

2nd purchase date = {Fixed [Customer ID] : MIN([Repeat Purchase])}

如果不使用中间临时字段，直接在上面的临时字段上修改，那么结果就是：

{ FIXED [Customer ID]:min(IIF({fixed [Customer ID] :min([Order Date])}=[Order Date],null,[Order Date]))}

这样就生成了 第二次消费日期。

至此，我们就使用Fixed LOD返回了每个顾客的两次消费日期，接下来，我们需要使用datediff函数，以季度为参数，计算两次日期的间隔，然后生成视图。需要注意的是，视图中的日期，使用的是首次消费的日期。

Quarters to Repeat Purchase = datediff(‘quarter’,[1st Purchase],[2nd Purchase])

//要点：使用fixed LOD返回两个固定的消费日期（第一次和第二次），这是背景信息的关键，之后就是datediff函数和可视化了。

15、「高难度：3次LOD+2次表计算」各个客户阵列的年度购买频率

在每个订单年度中，来自各个顾客阵列（即顾客的获客年份）中，购买至少1次、2次、3次以至于N次的顾客的占比？
What percent of customers from each cohort (year of acquisition) purchased at least 1, 2, 3, N times in order date （2014）?

几个关键词和对应的Tableau计算：

• 阵列（获客年份）、
• 1次2次N次（客户购买频率，同第一题，用fixed-LOD）、
• 至少购买X次（意味着要累计计算，或者window_sum）、
• 占比（意味着要计算总额百分比）
• 顾客阵列的百分比（需要计算各个阵列的顾客数量，视图中没有，需要计算，而视图中又没不在顾客层面，因此需要LOD返回每个阵列的顾客数量）

需要注意的，本题和其他题目相比，增加了一个维度筛选器，Fixed LOD在维度筛选器之前，表计算total在维度筛选器之后，因此计算顾客阵列的合计时，需要注意二者的差异，作出正确选择。

按照「可视化焦点+引用背景」的分析维度，注意英文的原文最后是 in order date，看一下效果 图：

• 视图中必须存在的字段：订单年度 order date、顾客阵列、购买次数
• 可视化焦点是不同阵列和购买次数的总额百分比，两个维度，两次表计算；
• 视图中缺乏的背景信息是“至少购买1次、2次、3次以至于N次”的顾客数量，以及阵列信息。

在此基础上，我们也可以分为几步：

先完成一个视图： How many customers from each cohort (year of acquisition) purchased at 1, 2, 3, N times in <年(Order Date)>?

• 计算顾客的获客年份和每年的顾客消费频次
• 计算“在每个阵列中，购买1次、2次、3次、N次的顾客数量”

在上面视图基础上，修改为：

What percent of customers from each cohort (year of acquisition) purchased at least 1, 2, 3, N times in <年(Order Date)>?

• 在上面基础上，增加“至少”，也就是“至少购买1次、2次……的顾客数量”，
• 在上面基础上，计算“至少……顾客数量”的总额百分比。
• 1 –

先说阵列，也就是每个顾客的获客年份，这个相对简单，参考案例2的阵列分析，相当于给每个顾客返回一个最早购买日期对应的年份。有两个结果一样的方法：

第一种，LOD获得每个顾客的首次购买日期，然后在使用时增加Year函数

• 1st order date = {Fixed [customer ID]: MIN([order date]) }
• Year( [1st order date] )

第二种方法，直接返回每个订单日期的年份，然后返回最小值

• 获客年份 = {Fixed [customer ID]: MIN( Year ([order date]) )}

• 2 –

其次，我们需要计算“至少购买1次、2次、3次以至于N次”的顾客数量，先不说“至少”，其实就是计算不同购买次数的顾客数量。这个就是案例1 的原题，分析方法如下：
命题：客户的购买频率分布，即购买过1次、2次、3次……N次的顾客数量。

• 可视化焦点：不同购买次数下的顾客数量。
  • 可视化维度：购买频次（1，2，3，N）
• 需要引用的背景信息：每个顾客的购买次数
  • { fixed [customer ID] : countd(order ID) }

不过在这个题目中，我们还需要增加一个维度，消费的年份，结果就是：每个顾客在每个年份的购买次数。

有了上面两个维度，我们就可以看一下每个订单年度中，来自不同会员矩阵（获客年份）的不同订单频次了。如下图：

注意事项：

如果fixed 函数不添加第二个维度 （订单日期），有什么区别？ 我们可以看下图，自行对比：

-3 –

有了获客年份，和每个年份的顾客消费频次，我们就可以完成第二步了和第三步了，难点在于“至少购买1次、2次……”如何累计。

正常而言，我们使用running total会自动按照从前向后的顺序计算，不过这里我们需要倒过来，至少购买一次的顾客数量包含了后面的所有顾客数，至少购买三次的数量包含了后面购买四五六次的顾客数……，看下面的截图，这里需要指定表计算的sort order。不过这里需要说明，有多种选项都可以指向一个排序，要注意意义的正确性。

【补充】表计算的计算都可以理解为窗口计算，上面的倒序running-total也可以使用window-sum来完成；考虑到计算的逻辑到“至少3次”，也就是要累计3次和后面所有的数据，转化为window-sum就是从当前位置到最后位置，因此可以使用下面的函数：

WINDOW_SUM( COUNTD([Customer ID]), 0, LAST())

相比较上面的方法，使用window-sum计算更好理解，也不需要调整计算的顺序，推荐！

-4 –

在上面绝对值的基础上，增加百分比分析，这里需要注意的是分子是什么？是每个获客年度的顾客总数。「补充」为什么要计算每个获客年度的顾客总数？关键是我们用什么方式提供这个数值。

思考：如何选择计算？ 我们的详细级别是每个订单年份中，不同消费频次对应的顾客数量，简单的说，详细级别是：订单日期/年+消费频次+顾客。

而如果要加入获客年份的顾客数量，我们可以使用fixed LOD，指定每个每个获客年度，返回它对应的顾客计数，即 ： {FIXED [哪一年的客户？]:COUNTD([Customer ID])}

注意我们的可视化视图中有一个筛选器，上面的fixed LOD不受筛选器影响，但是如果我们用total表计算作为因子，结果就不同了，筛选器会影响表计算的计算。

如果想让计算不受筛选器影响，不要用表计算，推荐使用fixed LOD

5、本题终极总结

详见我的仪表板

至此，案例15其实是前面多个用法的汇总和升级，其中有夹杂了表计算的灵活运用，可以说是熟练使用LOD的试金石。

下载我的LOD案例，部分有解读，特别第15个：

• lod 15大详细级别表达式

LOD系列

1. 【Tableau】详细级别表达式LOD_详尽入门3.0（1）
2. 【Tableau】详细级别表达式LOD_位置与语法（2）
3. 【Tableau】详细级别表达式LOD_终极实践指南与资源大全（3）
4. 【Tableau】详细级别表达式 LOD 核心要点回顾（4）
5. 【Tableau】LOD15大详细级别表达式-深度解读
6. 【Tableau】15大详细级别表达式-会员分析案例

Nov 26, 2018
Nov 27, 2018
Dec 11, 2018 update
Jan 31, 2019 update 案例15
Apr 15, 2019 update对话