这篇文章主要介绍了Python pandas RFM模型应用,结合实例形式详细分析了pandas RFM模型的概念、原理、应用及相关操作注意事项,需要的朋友可以参考下
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$rankR1<- 6-rfm$rankR1 rfm$rankF1<- cut(rfm$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 = NA Custom[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 pd import numpy as np import 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',v以上就是Python pandas RFM模型应用实例详解的详细内容，更多请关注0133技术站其它相关文章！
