# 队列留存与 RFM 漏斗分析器

粘贴订单或事件 CSV，一页得到增长分析全家桶：带热力图的队列留存三角、RFM 五分位评分映射到十个标准生命周期分层、以及严格顺序漏斗。

> 标准页面: https://elysiatools.com/zh/tools/cohort-retention-rfm-funnel-analyzer

- **分类:** Data Visualization

- **关键词:** 队列分析, 留存, rfm, 流失, 漏斗分析, 客户分层, 增长分析, 生命周期分层, 复购

## 概述

这是交易日志之上的语义层，不是又一个通用图表。队列按每位客户首单月份（或 ISO 周）划分，留存率为该队列在后续每期再次下单的用户占比——渲染为经典三角热力图（每格含用户数）、按队列规模加权的各期平均留存以及最佳/最差队列标注。RFM 遵循标准方法：按最近一次购买距今天数、订单次数、消费总额分别排名切成 1–5 五分位，再将三位代码映射到十个生命周期分层——Champions、忠诚客户、潜力忠诚、新客户、有潜力、需关注、流失风险、不能失去、休眠、流失——每层给出占比、平均消费与建议动作。漏斗按严格时间顺序统计到达各步的用户（只有更早完成前一步的用户才计入下一步）。表头兼容 user/customer、date/timestamp、amount/revenue、event/action，电商导出、Stripe CSV 或产品事件表无需重排即可分析。

## 输入项

- **CSV de pedidos / eventos** (textarea): user_id,date,amount u1,2026-01-05,120 u1,2026-02-03,80 u2,2026-01-08,200
- **Periodo de cohorte** (select)
- **Períodos a mostrar** (number)
- **Fecha de análisis** (text): defaults to the newest date in the CSV
- **Pasos del embudo (opcional)** (text): signup, cart, checkout, purchase — needs an event column

## 适用场景

- 需要按周或按月评估新老客户的长期复购率与留存衰减趋势时。
- 希望对电商或订阅交易数据进行 RFM 细分，识别核心高价值客户与流失风险客户时。
- 分析多步骤转化链路（如注册到支付），要求按严格时间先后顺序统计流转损耗时。

## 工作原理

- 解析 CSV 输入并自动识别用户 ID、日期时间、金额或事件名称等常用表头。
- 根据每位客户的首单时间划定队列，计算后续各周期的复购留存率，并渲染为热力图三角矩阵。
- 统计用户最近购买天数（R）、购买频次（F）和总金额（M），切分五分位得分并映射至 10 种生命周期分层。
- 依据指定的步骤名称，按时间先后顺序严格匹配用户行为路径，输出各环节转化率与漏斗图。

## 使用案例

- 独立站与电商运营：导入订单导出记录，分析各月份拉新客群的留存复购率与客户终身价值分布。
- SaaS 与订阅服务：基于 Stripe 账单流水，追踪订阅用户的生命周期分层，定位流失风险账户并制定召回策略。
- 产品增长团队：输入核心埋点事件日志，验证新功能上线后从注册、加购到最终结算的完整转化漏斗。

## 常见问题

### CSV 数据需要使用特定的列名格式吗？

工具具有表头兼容性，支持 user/customer、date/timestamp、amount/revenue、event/action 等常见命名，通常无需手动重命名。

### 队列留存周期支持哪些粒度？

支持按月（Month）或按 ISO 标准周（Week）划分队列，并可自定义展示 1 到 12 个观察周期。

### RFM 的基准分析日期是如何确定的？

默认采用 CSV 数据集中的最新记录日期，也支持在分析日期选项中手动指定特定日期。

### 什么是严格顺序漏斗分析？

用户必须先在更早的时间点完成上一步骤，后续步骤的完成记录才会被纳入转化统计，跳步不计入转化。

### 漏斗分析功能必须提供哪些字段？

漏斗分析依赖用户事件，CSV 中需包含事件（event 或 action）列，并在配置项中填入用逗号分隔的漏斗步骤名称。

## 相关工具

- [Stryd 跑步功率临界功率 CP 与 W′bal 重建器](https://elysiatools.com/zh/tools/stryd-running-power-critical-power-and-w-prime-bal-reconstructor): 由 3 分钟全力测试、功率-时间对或距离-时间试验推导跑步临界功率 CP 与无氧做功能力 W′,再重放 Stryd 功率会话(.fit/.tcx/CSV):按 Skiba 2012 积分模型与 Froncioni/Skiba/Clarke 微分模型逐秒积分 W′bal 衰减与恢复,输出力竭时间预报、Stryd 五区间分布与功率/W′bal 双面板图。
- [时间序列预测与季节性分析](https://elysiatools.com/zh/tools/time-series-forecast-seasonality-analyzer): 从 CSV 或 JSON 时间序列数据中预测未来数期，并在一份报告中查看趋势、季节项和残差分解
- [变异系数计算器](https://elysiatools.com/zh/tools/coefficient-of-variation): 计算数值列的变异系数（CV），用于衡量相对变异性
- [相关性分析器](https://elysiatools.com/zh/tools/correlation-analyzer): 高级相关性分析工具，计算变量之间的相关系数以衡量它们线性关系的强度和方向。完美适用于统计分析、金融建模、科学研究和数据探索。 功能特点： - 多种相关性方法（皮尔逊、斯皮尔曼、肯德尔） - 相关性矩阵生成 - 统计显著性检验（p值） - 置信区间计算 - 热图可视化 - 散点图矩阵生成 - 缺失值处理策略 - 异常值检测和处理 - 分组分析能力 - 详细统计报告 常见用途： - 金融市场分析和风险评估 - 科学研究和假设检验 - 客户行为和营销分析 - 医疗和医疗数据分析 - 质量控制和流程优化 - 教育绩效评估
- [CSV 直方图、散点图与箱线图图表工作台](https://elysiatools.com/zh/tools/csv-histogram-scatter-box-plot-chart-studio): 上传或粘贴 CSV 即刻出图：支持 Sturges / Freedman-Diaconis / Scott 分箱的直方图、带 Pearson r 与最小二乘拟合的散点图、Tukey 箱线图——每张图均可下载 PNG 与 SVG。
- [边界值处理器](https://elysiatools.com/zh/tools/data-boundary-processor): 高级边界值处理工具，用于识别和处理数值数据中的最小值和最大值。完美适用于数据验证、范围检查、统计分析和数据预处理。 功能特点： - 多种边界检测方法（绝对值、百分位数、标准差） - 灵活处理策略（裁剪、删除、替换、变换） - 自定义范围验证 - 非对称边界处理 - 批量处理能力 - 综合边界统计 - 数据质量评估 - 可视化边界报告 常见用途： - 数据验证和质量控制 - 传感器数据范围检查 - 金融数据限制执行 - 统计数据预处理 - 机器学习特征工程 - 数据库约束验证
- [数据去重工具](https://elysiatools.com/zh/tools/data-deduplicator): 基于多列组合移除重复记录
- [Min-Max标准化工具](https://elysiatools.com/zh/tools/data-normalizer-minmax): 使用Min-Max缩放将数值数据标准化到0-1范围。完美用于机器学习预处理、数据分析和特征缩放。 功能特点： - Min-Max缩放（0-1标准化） - 自定义范围支持（如-1到1） - 多列选择 - 自动数据类型检测 - 处理缺失值 - 保留非数值列 - 包含统计摘要 常见用途： - 机器学习特征准备 - 神经网络输入标准化 - 数据可视化预处理 - 不同尺度的比较分析

## 示例

- [Windows 字符串处理 - C# 示例](https://elysiatools.com/zh/samples/windows-string-processing-csharp): Windows平台C#字符串处理示例，包括字符串操作、分割、连接、正则表达式和文本分析
- [CSV示例](https://elysiatools.com/zh/samples/csv-samples): 各种数据类型、大小和复杂度级别的CSV示例文件
- [Python 示例](https://elysiatools.com/zh/samples/python): Python代码示例和Hello World演示
- [路径分析器样本](https://elysiatools.com/zh/samples/path-analyzer): 来自Windows、Linux和macOS的文件系统路径综合集合，用于路径分析和测试