【2021.08】python会员数据化运营task2

基于RFM的精细化用户管理

1.案例背景

对用户进行分组可以更好的了解用户价值。本案例使用某企业四年的家电订单数据，使用RFM模型对用户进行分组，基于业务部门的用户分群需求，我们计划将RFM的3个维度分别作3个区间的离散化，这样出来的用户群体最大有27个。

从交付结果看，给业务部门做的分析结果都要导出成Excel文件，用于做后续分析和二次加工使用。另外，RFM的结果还会供其他模型的建模使用，RFM本身的结果可以作为新的局部性特征，因此数据的输出需要有本地文件和写数据库两种方式。

本节案例选择了4年的订单数据，这样可以从不同的年份对比不同时间下各个分组的绝对值变化情况，方便了解会员的波动。本节案例的输入源数据sales.xlsx，程序输出RFM得分数据写入本地文件sales_rfm_score.xlsx。

数据链接：数据源
提取码：zdxx

2.案例主要应用技术

本案例使用的库包括time、numpy和pandas，使用sklean中的随机森林计算特征重要性，使用excel对结果进行展示。

3. 案例数据

案例数据是某企业从2015年到2018年共4年的用户订单抽样数据。Excel中包含5个sheet，前4个sheet分别为每年的数据，最后一张会员等级表为用户的等级表。
前4张表所含字段如下：

特征变量	描述
会员ID	每个会员的ID唯一，纯数字
提交日期	订单日提交日期，日期
订单号	订单ID，每个订单的ID唯一，纯数字
订单金额	订单金额，浮点型数据

会员等级表中是所有会员的会员ID对应会员等级的情况，包括以下两个字段:

特征变量	描述
会员ID	每个会员的ID唯一，纯数字
会员等级	会员等级以数字区分，数字越大，级别越高

4.案例过程

(1)导入库和读取数据

# 导入库
import time
import numpy as np
import pandas as pd

from sklearn.ensemble import RandomForestClassifier

# 读取数据
sheet_name = ['2015', '2016', '2017', '2018', '会员等级']

sheet_datas = [pd.read_excel('sales.xlsx',sheet_name=i) for i in sheet_name]

（2）描述性分析

#对表格数据做显示，以审查一下我们的数据是否有误
for each_name,each_data in zip(sheet_names,sheet_datas):
    print('[data summary for {0:=^50}]'.format(each_name))
    print('Overview:','\n',each_data.head(4))
    print('DESC:','\n',each_data.describe())
    print('NA records',each_data.isnull().any(axis=1).sum()) 
    print('Dtypes',each_data.dtypes) 

[data summary for =======================2015=======================]
Overview: 
           会员ID         订单号       提交日期    订单金额
0  15278002468  3000304681 2015-01-01   499.0
1  39236378972  3000305791 2015-01-01  2588.0
2  38722039578  3000641787 2015-01-01   498.0
3  11049640063  3000798913 2015-01-01  1572.0
DESC: 
                会员ID           订单号           订单金额
count  3.077400e+04  3.077400e+04   30774.000000
mean   2.918779e+10  4.020414e+09     960.991161
std    1.385333e+10  2.630510e+08    2068.107231
min    2.670000e+02  3.000305e+09       0.500000
25%    1.944122e+10  3.885510e+09      59.000000
50%    3.746545e+10  4.117491e+09     139.000000
75%    3.923593e+10  4.234882e+09     899.000000
max    3.954613e+10  4.282025e+09  111750.000000
NA records 0
Dtypes 会员ID             int64
订单号              int64
提交日期    datetime64[ns]
订单金额           float64
dtype: object
[data summary for =======================2016=======================]
Overview: 
           会员ID         订单号       提交日期    订单金额
0  392881201