Python pandas RFM模型應用實例詳解

更新時間：2019年11月20日 11:19:16 作者：閑魚!!!

這篇文章主要介紹了Python pandas RFM模型應用,結(jié)合實例形式詳細分析了pandas RFM模型的概念、原理、應用及相關操作注意事項,需要的朋友可以參考下

什么是RFM模型

根據(jù)美國數(shù)據(jù)庫營銷研究所Arthur Hughes的研究，客戶數(shù)據(jù)庫中有3個神奇的要素，這3個要素構(gòu)成了數(shù)據(jù)分析最好的指標：

最近一次消費 (Recency): 客戶最近一次交易時間的間隔。R值越大，表示客戶交易距今越久，反之則越近；
消費頻率 (Frequency): 客戶在最近一段時間內(nèi)交易的次數(shù)。F值越大，表示客戶交易越頻繁，反之則不夠活躍；
消費金額 (Monetary): 客戶在最近一段時間內(nèi)交易的金額。M值越大，表示客戶價值越高，反之則越低。

RFM實踐應用

1、前提假設驗證

RFM模型的應用是有前提假設的，即R、F、M值越大價值越大，客戶未來的為企業(yè)帶來的價值越大。這個前提假

設其實已經(jīng)經(jīng)過大量的研究和實證，假設是成立的。不過為了更加嚴謹，確保RFM模型對于特殊案例是有效的，

本文還進行了前提假設驗證：

ps：Frequency、Monetary均為近6個月內(nèi)的數(shù)據(jù)，即1-6月數(shù)據(jù)；

利用相關性檢驗，驗證假設：

最近購買產(chǎn)品的用戶更容易產(chǎn)生下一次消費行為
消費頻次高的用戶，用戶滿意度高，忠誠度高，更容易產(chǎn)生下一次消費行為
消費金額高的用戶更容易帶來高消費行為

2、RFM分級

簡單的做法，RFM三個指標以均值來劃分，高于均值的為高價值、低于均值的為低價值，如此可以將客戶劃分為8大類：

本文采取的方法是將三個指標進行標準化，然后按照分為數(shù)劃分為5個等級，數(shù)值越大代表價值越高；當然最終劃分的規(guī)則還是要結(jié)合業(yè)務來定。劃分為5個等級后，客戶可以細分為125種。

#讀取數(shù)據(jù)
rfm<-read.csv('~/desktop/rfm1_7.csv',header=TRUE)
summary(rfm)
#數(shù)據(jù)分布
par(mfrow=c(1,3))
boxplot(rfm$rankR1) 
boxplot(rfm$rankF1) 
boxplot(rfm$rankM1)
#rfm分級
breaks1<-quantile(rfm$Recency, probs = seq(0, 1, 0.2),names = FALSE)
breaks1<-c(1,14,30,57，111,181) #以流失用戶的定義來設置分級 30天以上為流失用戶
breaks2<-quantile(rfm$Frequency, probs = seq(0, 1, 0.2),names = FALSE)
breaks2<-c(1,2,3,6,14,164) 
breaks3<-quantile(rfm$Monetary, probs = seq(0, 1, 0.2),names = FALSE)
rfm$rankR1<- cut(rfm$Recency,breaks1, 5,labels=F)
rfm$rankR1<- 6-rfm$rankR1
rfm$rankF1<- cut(rfm$Frequency,breaks2, 5,labels=F)
rfm$rankM1<- cut(rfm$Monetary,breaks3, 5,labels=F)

3、客戶分類

本文采用K-means聚類進行分類，聚類結(jié)果結(jié)合業(yè)務劃分為4大類：

Cluster1:價值用戶R、F、M三項指標均較高；
Cluster2，3：用戶貢獻值最低，且用戶近度（小于2）和頻度較低，為無價值客戶；
Cluster4:發(fā)展用戶，用戶頻度和值度較低，但用戶近度較高，可做up營銷；
Cluster5:挽留客戶，用戶近度較低，但頻度和值度較高，需采用挽留手段

k值選擇:

聚類結(jié)果：

#聚類
df<-rfm[,c(6,7,8)]
p1<-fviz_nbclust(df, kmeans, method = "wss")
p2<-p1 + geom_vline(xintercept = 5, linetype = 2)
km_result <- kmeans(df, 5)
dd <- cbind(rfm,df, cluster = km_result$cluster)
##查看每一類的數(shù)目
table(dd$cluster)
picture<-fviz_cluster(km_result, df, geom = "point")
####聚類結(jié)果解釋####
rfm_final <- within(dd,{Custom = NA
Custom[cluster == 1] = '高價值客戶' 
Custom[cluster == 2 ] = '無價值客戶' 
Custom[ cluster == 3] = '無價值客戶' 
Custom[cluster == 4] = '重點發(fā)展客戶'  
Custom[cluster == 5] = '重點挽留客戶' 
})

4、RFM打分

步驟3，我們將客戶劃分為四大類，其實如果一類客戶中還有大量的客戶，此時為了精細化營銷，可以根據(jù)RFM進行加權(quán)打分，給出一個綜合價值的分。這里，運用AHP層次分析法確定RFM各指標權(quán)重：

客戶價值RFM_SCORE= 0.25rankR + 0.20rankF+0.55*rankM

AHP層次分析法（專家打分法）

總結(jié)

上述客戶分類其實比較粗曠，真正在面對千萬級客戶量時，如此劃分為四大類是難以滿足運營需求的。運營中，還需要綜合CRM中其他指標、維度。

ps：后續(xù)作者利用RFM客戶價值得分進行潛在客戶挖掘，嘗試利用決策樹等模型挖掘平臺潛在客戶特征。

簡單實例

import pandas as pd
import numpy as np
import time
#todo 讀取數(shù)據(jù)
data = pd.read_csv('RFM_TRAD_FLOW.csv',encoding='gbk')
# print(ret)
# todo RFM------>R(最近一次消費)
#todo 時間與字符串相互轉(zhuǎn)換
data['time'] = data['time'].map(lambda x:time.mktime(time.strptime(x,'%d%b%y:%H:%M:%S')))
# print(data)
# todo 分組
groupby_obj = data.groupby(['cumid','type'])
# for name,data in groupby_obj:
#   print(name)
#   print(data)
# todo 取值
R = groupby_obj[['time']].max()
# print(
# todo 轉(zhuǎn)為透視表
r_trans = pd.pivot_table(R,index='cumid',columns='type',values='time')
# print(data_trans)
# todo 替換缺失值 有缺失值，替換成最遠的值
r_trans[['Special_offer','returned_goods']] = r_trans[['Special_offer','returned_goods']].apply(lambda x:x.replace(np.nan,min(x)),axis = 0)
# print(data_trans)
r_trans['r_max'] = r_trans.apply(lambda x:sum(x),axis=1)
# print(r_trans)
# todo RFM------>F(消費頻率)
# 取值
F =groupby_obj[['transID']].count()
# print(F)
#轉(zhuǎn)為透視表
f_trans = pd.pivot_table(F,index='cumid',columns='type',values='transID')
# print(f_trans)
#替換缺失值
f_trans[['Special_offer','returned_goods']]= f_trans[['Special_offer','returned_goods']].fillna(0)
# print(f_trans)
#
f_trans['returned_goods'] = f_trans['returned_goods'].map(lambda x:-x)
# print(f_trans)
f_trans['f_total'] = f_trans.apply(lambda x:sum(x),axis=1)
# print(f_trans)
# todo RFM------>M(消費金額)
# 取值
M =groupby_obj[['amount']].sum()
# print(M)
#轉(zhuǎn)為透視表
m_trans = pd.pivot_table(M,index='cumid',columns='type',values='amount')
# print(f_trans)
#替換缺失值
m_trans[['Special_offer','returned_goods']]= m_trans[['Special_offer','returned_goods']].fillna(0)
# print(f_trans)
#
m_trans['m_total'] = m_trans.apply(lambda x:sum(x),axis=1)
# print(m_trans)
# 合并
RFM=pd.concat([r_trans["r_max"],f_trans['f_total'],m_trans['m_total']],axis=1)
print(RFM)
r_score = pd.cut(RFM.r_max,3,labels=[0,1,2])
f_score = pd.cut(RFM.r_max,3,labels=[0,1,2])
m_score = pd.cut(RFM.r_max,3,labels=[0,1,2])

關于Python相關內(nèi)容感興趣的讀者可查看本站專題：《Python函數(shù)使用技巧總結(jié)》、《Python面向?qū)ο蟪绦蛟O計入門與進階教程》、《Python數(shù)據(jù)結(jié)構(gòu)與算法教程》、《Python字符串操作技巧匯總》、《Python編碼操作技巧總結(jié)》及《Python入門與進階經(jīng)典教程》

希望本文所述對大家Python程序設計有所幫助。

您可能感興趣的文章: