我是怎么利用Python+RFM模型高效了解用户！

 

是的，我们每个人在平台的眼里，价值都是不一样的。

比如一些天天上网购物，拆快递拆到手软的美女帅哥们，他们就是各个平台的高活跃高价值用户，他们要是哪天有停止购物准备跑路的痕迹，平台的运营朋友会急得想死，千方百计进行挽留，毕竟你是他们的衣食爹妈，死活得让你继续贡献软妹币。

还有一些用户就没这么好运了。

比如东哥这种死抠门，三年五年不见得出一次血，一个49块钱买的破衬衣要穿好几个春夏秋冬。这种的话，平台都懒得鸟你，你特么爱来不来，多一个不多，少一个不少，出门左拐，慢走不送。

那么平台是通过哪些维度进行用户价值判断与划分的呢？

今天的主角RFM模型就来告诉你答案。

— 1 —

RFM模型

有的人看到模型两个字，就瑟瑟发抖，以为要用各种数学公式，想都不想就一脸嫌弃。其实你误会了，RFM模型真的非常友好，要不然东哥这种纯文科生也搞不掂。

看名称你就知道，这个模型主要就是三个要素：

R，Rencency，就是最近一次消费是啥时候。比如你上次买姨妈巾是一个月前。

F，Frequency，就是你的消费频率，比如你一月来一次大姨妈，那你一个月会买一次姨妈巾，一年就是12次，当然也有人一次性买一年的，那么你的消费频率就低了，一年才1次。

M，Monetary，就是你的消费金额，有的人穷，买20块钱的；有的人富，姨妈巾都要镀金的，那么可能几百几千的。

嗯，相信你对RFM模型的三个指标已经非常清楚了。那么，RFM模型为什么成立呢？逻辑是什么？

逻辑也很简单：

1、最近买过的人，应该比最近没买过的人更有价值

2、一年来买10次的人，应该比一年来买1次的人更有价值

3、消费额度100的人，应该比消费1块钱的人更有价值

在这个逻辑下，我们就会对RFM的每个指标进行打分，最后算出RFM的总分，并以此来判断客户的分层。

当然每个公司对指标的侧重点不一样，所以赋分阶段也可以有所偏向。

 

— 2 —

数据准备

1、数据输入

•  

import numpy as np
import pandas as pd
from  pyecharts import Bar,WordCloud,Pie
df=pd.read_excel(r'C:\Users\Administrator\Desktop\销售数据.xlsx')
df.head()

 

 

 

 

 

这个数据里面字段比较多对不对？但是RFM模型只有三个指标，所以根本不需要这么多字段，那么我们只要选出模型所需要的字段即可。

2、字段选择

•  

df=df[['订单号','订单日期','顾客姓名','销售额']]
df.head()