Python pandas RFM模型应用实例详解

Python  /  管理员 发布于 7年前   253

本文实例讲述了Python pandas RFM模型应用。分享给大家供大家参考，具体如下：

什么是RFM模型

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有3个神奇的要素，这3个要素构成了数据分析最好的指标：

• 最近一次消费 (Recency): 客户最近一次交易时间的间隔。R值越大，表示客户交易距今越久，反之则越近；
• 消费频率 (Frequency): 客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则不够活跃；
• 消费金额 (Monetary): 客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则越低。

RFM实践应用

1、前提假设验证

RFM模型的应用是有前提假设的，即R、F、M值越大价值越大，客户未来的为企业带来的价值越大。这个前提假

设其实已经经过大量的研究和实证，假设是成立的。不过为了更加严谨，确保RFM模型对于特殊案例是有效的，

本文还进行了前提假设验证：

ps：Frequency、Monetary均为近6个月内的数据，即1-6月数据；

利用相关性检验，验证假设：

• 最近购买产品的用户更容易产生下一次消费行为
• 消费频次高的用户，用户满意度高，忠诚度高，更容易产生下一次消费行为
• 消费金额高的用户更容易带来高消费行为

2、RFM分级

简单的做法，RFM三个指标以均值来划分，高于均值的为高价值、低于均值的为低价值，如此可以将客户划分为8大类：

本文采取的方法是将三个指标进行标准化，然后按照分为数划分为5个等级，数值越大代表价值越高；当然最终划分的规则还是要结合业务来定。划分为5个等级后，客户可以细分为125种。

#读取数据rfm<-read.csv('~/desktop/rfm1_7.csv',header=TRUE)summary(rfm)#数据分布par(mfrow=c(1,3))boxplot(rfm$rankR1) boxplot(rfm$rankF1) boxplot(rfm$rankM1)#rfm分级breaks1<-quantile(rfm$Recency, probs = seq(0, 1, 0.2),names = FALSE)breaks1<-c(1,14,30,57，111,181) #以流失用户的定义来设置分级 30天以上为流失用户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$rankR1<- 6-rfm$rankR1rfm$rankF1<- cut(rfm$Frequency,breaks2, 5,labels=F)rfm$rankM1<- cut(rfm$Monetary,breaks3, 5,labels=F)

3、客户分类

本文采用K-means聚类进行分类，聚类结果结合业务划分为4大类：

• Cluster1:价值用户R、F、M三项指标均较高；
• Cluster2，3：用户贡献值最低，且用户近度（小于2）和频度较低，为无价值客户；
• Cluster4:发展用户，用户频度和值度较低，但用户近度较高，可做up营销；
• Cluster5:挽留客户，用户近度较低，但频度和值度较高，需采用挽留手段

k值选择:

聚类结果：

#聚类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$cluster)##查看每一类的数目table(dd$cluster)picture<-fviz_cluster(km_result, df, geom = "point")####聚类结果解释####rfm_final <- within(dd,{Custom = NACustom[cluster == 1] = '高价值客户' Custom[cluster == 2 ] = '无价值客户' Custom[ cluster == 3] = '无价值客户' Custom[cluster == 4] = '重点发展客户'  Custom[cluster == 5] = '重点挽留客户' })

4、RFM打分

步骤3，我们将客户划分为四大类，其实如果一类客户中还有大量的客户，此时为了精细化营销，可以根据RFM进行加权打分，给出一个综合价值的分。这里，运用AHP层次分析法确定RFM各指标权重：

客户价值RFM_SCORE= 0.25rankR + 0.20rankF+0.55*rankM

AHP层次分析法（专家打分法）

总结

上述客户分类其实比较粗旷，真正在面对千万级客户量时，如此划分为四大类是难以满足运营需求的。运营中，还需要综合CRM中其他指标、维度。

ps：后续作者利用RFM客户价值得分进行潜在客户挖掘，尝试利用决策树等模型挖掘平台潜在客户特征。

简单实例

import pandas as pdimport numpy as npimport time#todo 读取数据data = pd.read_csv('RFM_TRAD_FLOW.csv',encoding='gbk')# print(ret)# todo RFM------>R(最近一次消费)#todo 时间与字符串相互转换data['time'] = data['time'].map(lambda x:time.mktime(time.strptime(x,'%d%b%y:%H:%M:%S')))# print(data)# todo 分组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 转为透视表r_trans = pd.pivot_table(R,index='cumid',columns='type',values='time')# print(data_trans)# todo 替换缺失值 有缺失值，替换成最远的值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(消费频率)# 取值F =groupby_obj[['transID']].count()# print(F)#转为透视表f_trans = pd.pivot_table(F,index='cumid',columns='type',values='transID')# print(f_trans)#替换缺失值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(消费金额)# 取值M =groupby_obj[['amount']].sum()# print(M)#转为透视表m_trans = pd.pivot_table(M,index='cumid',columns='type',values='amount')# print(f_trans)#替换缺失值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])

关于Python相关内容感兴趣的读者可查看本站专题：《Python函数使用技巧总结》、《Python面向对象程序设计入门与进阶教程》、《Python数据结构与算法教程》、《Python字符串操作技巧汇总》、《Python编码操作技巧总结》及《Python入门与进阶经典教程》

希望本文所述对大家Python程序设计有所帮助。