RFM代码

最新推荐文章于 2024-04-04 13:33:36 发布
最新推荐文章于 2024-04-04 13:33:36 发布
阅读量473 收藏 2
点赞数
分类专栏： # ——机器学习实战
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cathycheny/article/details/109554334
版权

文章目录

案例1

按照人为指定规则，对RFM三个指标进行打分（1~5分），然后计算出得分的平均值。将每个指标下，评分大于和小于平均值的，分别视为该指标下的1和0。

最后根据三个指标下的分层结果，将人群分为8个组。

1. 数据格式

假设已经是清洗好的数据，格式如下：

在这里插入图片描述

2. R、F、M指标分布

消费金额

从下图可以看出，消费金额的分布是比较右偏的。70%的人的消费金额集中在3000英镑以下，而有10%左右的人消费的金额超过了8000英镑。比较符合我们日常的认知。

import matplotlib.pyplot as plt
import seaborn as sns

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.size'] = 15

# 这里已经把统计结果写出来了，就直接拿过来看吧。（就是从上面的数据集中统计出来的）
lbs = ['1000英镑以内', '[1000, 3000]英镑', '[3000, 5000]英镑', '[5000, 8000]英镑', '[8000, 10000]英镑']
x= [2677, 2216, 837, 552, 685]
plt.figure(figsize=(6, 6))
plt.title('消费金额占比', fontsize = 18)
plt.pie(x, labels = lbs, autopct='%1.1f%%', colors = sns.color_palette('Blues'))

在这里插入图片描述

消费频率

在这个数据集中，只发生一次交易的 有 1493人，占比约34.4%。其他 65.6%的客户为在这段期间有复购的用户。

最近一次消费距今天数

这个也是右偏比较明显的。

count    4339.000000
mean       91.038258
std       100.010502
min        -1.000000
25%        16.000000
50%        49.000000
75%       140.500000
max       372.000000
Name: 最近一次购买天数, dtype: float64

在这里插入图片描述

3. 构建模型

3.1 R、F、M人为规则打分

  • 打分规则
def days_score(x):
    if x <= 30:
        score = 5
    elif x>30 & x <=90:
        score = 4
    elif x >90 & x <=180:
        score = 3
    elif x>180 & x<=365:
        score = 2
    else:
        score = 1
    return score

def frequency_score(x):
    if x <= 10:
        score = 1
    elif x>10 & x <=30:
        score = 2
    elif x >30 & x <=50:
        score = 3
    elif x>50 & x<=80:
        score = 4
    else:
        score = 5
    return score

def revenue_score(x):
    if x <= 1000.0:
        score = 1
    elif (x>1000) & (x<=3000):
        score = 2
    elif (x >3000) & (x <=5000):
        score = 3
    elif (x>5000) & (x<=8000):
        score = 4
    else:
        score = 5
    return score
  • 3个维度下的打分
customer_data['days_score'] = customer_data['最近一次购买天数'].apply(days_score)
customer_data['frequency_score'] = customer_data['订单数'].apply(frequency_score)
customer_data['revenue_score'] = customer_data['总消费金额'].apply(revenue_score)
customer_data.head()

在这里插入图片描述

3.2 获取每个指标下的打分平均值

avg_r_score = customer_data['days_score'].mean()
avg_f_score = customer_data['frequency_score'].mean()
avg_m_score = customer_data['revenue_score'].mean()

print('平均最近一次消费时间间隔 R得分:', avg_r_score)
print('平均消费频次 F得分:', avg_f_score)
print('平均消费金额 M得分:', avg_m_score)

'''
平均最近一次消费时间间隔 R得分: 4.39525236229546
平均消费频次 F得分: 1.0778981332104172
平均消费金额 M得分: 1.60659138050242
'''

3.3 按照是否大于平均分来分层

customer_data['R'] = customer_data['days_score'].apply(lambda x: 1 if x>round(avg_r_score, 1) else 0)
customer_data['F'] = customer_data['frequency_score'].apply(lambda x: 1 if x>round(avg_f_score, 1) else 0)
customer_data['M'] = customer_data['revenue_score'].apply(lambda x: 1 if x>round(avg_m_score, 1) else 0)

customer_data.head()

在这里插入图片描述

3.4 分层结果生成标签

customer_data.loc[((customer_data['R']==1) & (customer_data['M']==1) & (customer_data['M']==1)), 'customer_type'] = '重要价值客户'
customer_data.loc[((customer_data['R']==0) & (customer_data['M']==1) & (customer_data['M']==1)), 'customer_type'] = '重要保持客户'
customer_data.loc[((customer_data['R']==1) & (customer_data['M']==0) & (customer_data['M']==1)), 'customer_type'] = '重要发展客户'
customer_data.loc[((customer_data['R']==0) & (customer_data['M']==0) & (customer_data['M']==1)), 'customer_type'] = '重要挽留客户'
customer_data.loc[((customer_data['R']==1) & (customer_data['M']==1) & (customer_data['M']==0)), 'customer_type'] = '一般价值客户'
customer_data.loc[((customer_data['R']==0) & (customer_data['M']==1) & (customer_data['M']==0)), 'customer_type'] = '一般保持客户'
customer_data.loc[((customer_data['R']==1) & (customer_data['M']==0) & (customer_data['M']==0)), 'customer_type'] = '一般发展客户'
customer_data.loc[((customer_data['R']==0) & (customer_data['M']==0) & (customer_data['M']==0)), 'customer_type'] = '流失客户'

customer_data.head()

在这里插入图片描述

4. 查看分层人数

customer_data.customer_type.value_counts()
customer_data.customer_type.value_counts().plot(kind = 'pie')

在这里插入图片描述

#定位流失客户，可以进行进一步分析
customer_data[customer_data['customer_type']=='流失客户']

案例2

将R、F、M三个指标等深分成2个组，并获取中间的分界值（threshold）。然后对分组结果进行二值化（0和1）。

最后根据三个指标下的分层结果，将人群分为8个组。

这样的好处是不用人为的指定打分规则，并且可以避免数据右偏的情况。不过最终的结果里，因为是等深分箱，所以单个指标的分层是50%：50%的。

1. 基础数据格式

在这里插入图片描述

2. 计算R、F、M指标

2.1 F反映客户对打折产品的偏好 interest

  • 注意这个例子里面，F计算的是打折订单的比例，而不是整体的购物频次
F = trad_flow.groupby(['cumid', 'type'])[['transID']].count()
display(F.head())

F_trans = pd.pivot_table(F, index='cumid', columns='type', values='transID')
# print(F_trans.head())

F_trans['Special_offer'] = F_trans['Special_offer'].fillna(0)
# print(F_trans.head())

F_trans["interest"] = F_trans['Special_offer'] / (F_trans['Special_offer'] + F_trans['Normal'])
F_trans.head()

在这里插入图片描述

  • 指标分布
    从下图可以可以看到，用户的折扣订单占比 这个指标，会有比较明显的右偏情况。
F_trans['interest'].plot(kind='hist',bins=20,figsize=(15,6))
plt.title('interest')

在这里插入图片描述

2.2 M反映客户的总消费金额 value

客户的总消费金额，等于其所有类型订单的消费金额。这里比较简单，直接相加即可。

M = trad_flow.groupby(['cumid', 'type'])[['amount']].sum()
display(M.head())

M_trans = pd.pivot_table(M, index='cumid', columns='type', values='amount')
M_trans['Special_offer'] = M_trans['Special_offer'].fillna(0)
M_trans['returned_goods'] = M_trans['returned_goods'].fillna(0)
M_trans["value"] = M_trans['Normal'] + M_trans['Special_offer'] + M_trans['returned_goods']
M_trans.head()

在这里插入图片描述

  • 数据分布
    相对来说，这个数据集里面的用户消费金额这一指标，并没有明显的右偏。整个分布还是接近正态的。
M_trans['value'].plot(kind='hist',bins=20,figsize=(15,6))
plt.title('value')

在这里插入图片描述

2.3 通过计算R反映客户是否为沉默客户 time_new

  • 此处修改为 时间戳 方便后面 qcut 函数分箱
# 先请洗一下数据集中的时间
# 定义一个从文本转化为时间的函数
import time
def to_time(t):
    out_t = time.mktime(time.strptime(t, '%d%b%y:%H:%M:%S'))  # 此处修改为 时间戳 方便后面 qcut 函数分箱
    return out_t

trad_flow["time_new"] = trad_flow['time'].apply(to_time)
R = trad_flow.groupby(['cumid'])[['time_new']].max()
R.head()

在这里插入图片描述

  • 数据分布
    这里先不换算距今天天数了，之间按照时间戳看一下。从下图可知，用户最近一次购买距今天数，这个也是比较右偏的。
R["time_new"].plot(kind='hist',bins=20,figsize=(15,6))
plt.title('time_new')

在这里插入图片描述

3. 构建模型

3.1 等深分桶并做二值化

  • R、F、M 三个指标 分别 等深分成两个桶，并做二值化
from sklearn import preprocessing


threshold = pd.qcut(F_trans['interest'], 2, retbins=True)[1][1] #等深分成两个桶
print(f'\nthreshold: {threshold:.5f}')

binarizer = preprocessing.Binarizer(threshold=threshold)  # 二值化
interest_q = pd.DataFrame(binarizer.transform(F_trans['interest'].values.reshape(-1, 1)))
interest_q.index = F_trans.index
interest_q.columns = ["interest"]
# print(interest_q[:5])
display(interest_q['interest'].value_counts())


threshold = pd.qcut(M_trans['value'], 2, retbins=True)[1][1] #等深分成两个桶
print(f'\nthreshold: {threshold:.2f}')
binarizer = preprocessing.Binarizer(threshold=threshold)  # 二值化
value_q = pd.DataFrame(binarizer.transform(M_trans['value'].values.reshape(-1, 1)))
value_q.index = M_trans.index
value_q.columns = ["value"]
# print(value_q[:5])
display(value_q['value'].value_counts())


threshold = pd.qcut(R["time_new"], 2, retbins=True)[1][1] #等深分成两个桶
print(f'\nthreshold: {threshold:.0f}')
binarizer = preprocessing.Binarizer(threshold=threshold)  # 二值化
time_new_q = pd.DataFrame(binarizer.transform(R["time_new"].values.reshape(-1, 1)))
time_new_q.index = R.index
time_new_q.columns = ["time"]
# print(time_new_q[:5])
display(time_new_q['time'].value_counts())

在这里插入图片描述

3.2 分层打标结果

analysis = pd.concat([interest_q, value_q, time_new_q], axis=1)
analysis.head()

在这里插入图片描述

3.3 生成标签

# 生成RFM标签
label = {
    (0, 0, 0): '无兴趣-低价值-沉默',
    (1, 0, 0): '有兴趣-低价值-沉默',
    (1, 0, 1): '有兴趣-低价值-活跃',
    (0, 0, 1): '无兴趣-低价值-活跃',
    (0, 1, 0): '无兴趣-高价值-沉默',
    (1, 1, 0): '有兴趣-高价值-沉默',
    (1, 1, 1): '有兴趣-高价值-活跃',
    (0, 1, 1): '无兴趣-高价值-活跃'
}

analysis['label'] = analysis[['interest', 'value', 'time']].apply(lambda x: label[(x[0], x[1], x[2])], axis=1)

analysis.head()

在这里插入图片描述

4. 查看分层人数

这种分层方式生成的结果中，各层人数比较接近（相当于每个指标按照中位数分的上下两组）。如果不希望各层人数太接近的，可以自己自定义分层规则（参考案例1）

output = pd.DataFrame(analysis['label'].value_counts()).rename(columns={'label':'people_cnt'})
output['percentage'] = output['people_cnt']/sum(output['people_cnt'])
output.sort_index(ascending=False)

在这里插入图片描述

anonymox
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
MATLAB基础应用精讲-【数模应用】RFM模型
qq_36130719的博客
07-11 542
RFM模型是衡量客户价值和客户创造利益能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。R是指用户的最近一次消费时间，用最通俗的话说就是，用户最后一次下单时间距今天有多长时间了，这个指标与用户流失和复购直接相关。F是指用户下单频率，通俗一点儿就是，用户在固定的时间段内消费了几次。这个指标反映了用户的消费活跃度。
MATLAB算法实战应用案例精讲-【数模应用】RFM模型（附python代码实现）
最新发布
qq_36130719的博客
07-12 647
RFM分析模型是一种用于客户细分和价值评估的常用工具。RFM代表了三个指标：最近一次购买（Recency）、购买频率（Frequency）和消费金额（Monetary）。通过对这些指标的分析，可以将客户分为不同的细分群体，以便更好地了解客户行为和价值，并制定相应的营销策略。具体来说，RFM分析模型的三个指标含义如下：最近一次购买（Recency）：衡量客户最近一次购买产品或服务的时间间隔。较短的时间间隔通常表示客户更加活跃和忠诚。
rfm模型matlab代码-Bias-Optimization-in-RPCs-of-Satellite-Imagery:卫星图像RPC中的偏
06-20
rfm模型matlab代码卫星图像 RPC 中的偏差优化 我们在这里提供了一些使用有理函数模型 (RFM) 算法的 2D-3D 图像/对象坐标的 matlab 代码。 所有这些代码都用于我们的实验。 将您的地面控制点 (GCP) 放在 WGS84_Obse_Sample.txt 中，并将这些点的坐标放在 MIC_L_Sample.txt 和 MIC_R_Sample.txt 中的两个图像（左侧和右侧）上。 此外，提取 Coeff.txt 中随卫星图像提供的有理多项式系数 (RPC)。 您可以通过运行 Ours-2D-3D-First-Order.m 来获得结果。 如果您在代码中遇到一些问题或发现一些错误，请发送电子邮件至：或
【RF分类】基于随机森林进行等级评价，包括20几个评价指标附matlab代码
m0_57702748的博客
04-04 864
本文提出了一种基于随机森林（RF）的等级评价方法，该方法利用了RF强大的分类能力和鲁棒性，并结合了多种评价指标，对目标对象的等级进行综合评估。该方法具有准确性高、鲁棒性强、可解释性好的特点，可广泛应用于各种等级评价场景。
RFM客户价值模型的原理和BI实现
逍遥子
12-06 2099
在企业营销中对客户的管理至关重要，我们介绍如何利用RFM模型在常见的订单表中分析客户价值，以便针对性做营销决策，实现精细化运营。Wyn Enterprise V5.0 Update1 引入了各行业非常通用和成熟的模型，同时内置了模板和仪表板demo在安装包，可以按照业务逻辑直接套用现有分析，无需自己写表达式，快速制作出“高大上”的大屏。接下来我们重点介绍如何用RFM模型分析客户价值。 1、了解RFM模型 RFM模型通过R、F、M三个要素确定客户价值，是衡量客户价值的重要工具之一。 主要通过分析
RFM69实例代码
04-18
本实例代码是针对RFM69模块进行开发的一套程序，适用于构建简单的无线通信系统。下面将详细介绍这个实例代码中的关键知识点。 1. **RFM69模块**: RFM69由瑞士Semtech公司生产，支持FSK、GFSK、MSK和OOK调制方式，...
RFM5565_driver.rar
08-16
1. **驱动源码**：这是实现RFM5565与Linux内核交互的核心部分，通常包含C语言编写的代码，包括设备初始化、数据收发、中断处理等功能。 2. **编译脚本**：为了在不同的Linux环境下编译驱动，可能会提供Makefile或者...
实验3客户RFM实验案例代码
04-22
1掌握RFM分析方法和k-means聚类的方法，能够进行价值识别 2掌握Python 聚类的方法 3.EM聚类（基于高斯混合模型的EM聚类） 二、知识准备 RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在客户分类中，RFM...
共23组RFM客户分析图表模型代码.zip
09-21
本资源包含23个不同的RFM图表模型代码，适用于数据可视化和客户分群。这些HTML文件可能使用了jQuery库来实现动态效果和交互功能。 1. **RFM概念**：RFM模型的核心在于理解客户的行为习惯，Recency代表客户最近一次...
基于客观事实的 RFM 模型（Python 代码）
Python_xiaowu的博客
12-18 2071
CDA数据分析师 出品 01 背景 RFM（Recency Frequency Monetary）模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。 RFM模型是属于业务分析方法与模型中的部分。它的本质是用户分类。本文将用现代最流行的编程语言---Python语言来实践课堂上讲解的RFM模型，将用户进行分类。 本文采用Anaconda进行Python编译，主要涉及的Python模块： pandas ma...
高分辨率遥感卫星数据_有理函数模型_RFM_图像几何校正_严格轨道模型_对遥感影像进行校正_matlab
03-26
【达摩老生出品，必属精品，亲测校正，质量保证】 资源名：高分辨率遥感卫星数据_有理函数模型_RFM_图像几何校正_严格轨道模型_对遥感影像进行校正_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：新手及有一定经验的开发人员
基于RFM模型实现的零售精准营销响应预测系统代码
02-15
包含4个文件：1_从交易数据中提取RFM特征.ipynb，2_客户RFM分析.ipynb，3_响应预测模型训练和选择.ipynb，4_模型部署和应用.ipynb
Python数据分析实战【三】：用python实现常用的用户分层模型（RFM模型）【文末源码地址】
高级数据分析师，分享Python知识
01-11 3703
1. RFM 模型的原理及代码实现 2. 使用 pandas 中的 read_sql 读取 sqlite 中的数据 3. 使用 to_datetime、map 方法计算距离用户上次消费所过去的天数 4. 使用 groupby+agg 方法统计消费频次、消费总金额 5. 使用 merge 方法合并 datafram 数据 6. 使用 quantile 方法计算用户消费数据的分位数
运营模型—RFM 模型
热门推荐
03-15 3万+
我们通过分别计算出R、F、M 的值，然后对其进行聚类，最后对聚类结果进行加权，我们得到了最终的一个用户得分，然后我们对得分进行区间划分，得到了用户的分层模型。其实我们也可以得到用户的R、F、M 的值后进行打标签，然后通过标签组合的方式确定那些用户是高价值，通过这种方式更加灵活。
RFM模型的四种打标签方法你会几种？三十行代码教你深刻理解如何实现用户画像
Data_lukyo的博客
01-08 1188
如果想了解RFM模型的数据分析初学者去搜索，会发现无论是知乎大V还是百度都会有“清楚”的原理解释和过程实现，看懂了收藏了，但是当你自己去实际应用的时候会发现，我对着大V的文章跟着做这个看似简单的模型，为啥我用起来没效果呢？实际上不是你没学会或者没做对，而是对这个简单而又强大的细节没有理解。
不到70行Python代码，轻松玩转RFM用户分析模型（附案例数据和代码）
lovenankai的专栏
10-26 391
本文从RFM模型概念入手，结合实际案例，详解Python实现模型的每一步操作，并提供案例同款源数据，以供同学们知行合一。注：想直接下载代码和数据的同学可以空降文末看这篇文...
[数据分析][RFM模型]用数据分析用户
浩秦的博客
04-13 1070
[数据分析][RFM模型]用数据分析用户 RFM分析是美国数据库营销研究所Arthur Hughes提出的一种简单实用客户分析方法，他们发现客户数据中有桑神奇的要素，这三个要素构成了数据分析最好的指标，RFM分析也就是通过这个三个指标对客户进行观察和分类，针对不同的特征的客户进行相应的营销策略。 最近一次消费（R）：Rrequency 客户距离最近的一次消费时间的间隔 消费频率（F）：F...
rfm模型的matlab实现,基于客户价值的客户分类模型.docx
weixin_32620265的博客
03-24 568
基于客户价值的客户分类模型华中科技大学博士学位论文基于客户价值的客户分类模型研究姓名：刘朝华申请学位级别：博士专业：管理科学与工程指导教师：蔡淑中科技大学博士学位论文摘要随着经济全球化以及网络技术的发展，信息交流越来越通畅，企业面临着更加激烈的市场竞争，对客户的争夺能力成为企业生存和发展的决定性因素。企业成功获取客户的关键是确定企业的客户，合理的客户分类是企业改善与客户关系的前提条件，也是非常关键...
rfm有理函数模型 代码
01-20
RFM（Recency、Frequency、Monetary）模型是一种用于衡量客户价值的分析工具，通过分析客户最近一次购买的时间、购买频率和购买金额来评估客户的价值。以下是一个简单的RFM模型的实现代码示例。 ```python # 导入所需的库 import pandas as pd # 读取数据 data = pd.read_csv('customer_data.csv') # 计算最近一次购买的时间 data['Recency'] = (pd.to_datetime('today') - pd.to_datetime(data['最近一次购买时间'])).dt.days # 计算购买频率 data['Frequency'] = data['购买次数'] # 计算购买金额 data['Monetary'] = data['购买金额'] # 分组和评分 data['R'] = pd.qcut(data['Recency'], q=4, labels=False) data['F'] = pd.qcut(data['Frequency'], q=4, labels=False) data['M'] = pd.qcut(data['Monetary'], q=4, labels=False) # 计算RFM总分 data['RFM_Score'] = data['R'] + data['F'] + data['M'] # 根据RFM总分将客户分为不同的价值级别 def segment_customer(row): if row['RFM_Score'] >= 9: return '重要价值客户' elif row['RFM_Score'] >= 6: return '一般价值客户' else: return '低价值客户' data['价值级别'] = data.apply(segment_customer, axis=1) # 输出结果 print(data) ``` 以上代码首先导入了所需的库，然后读取了包含客户数据的csv文件。接下来，根据最近一次购买的时间计算了Recency（最近购买天数），根据购买次数计算了Frequency（购买频率），根据购买金额计算了Monetary（购买金额）。然后，对Recency、Frequency和Monetary进行分组和评分，得到了R、F和M的分数。接着，计算了RFM总分，并根据RFM总分将客户分为不同的价值级别。最后，输出了结果。 注意：以上代码仅为示例，实际使用时需要根据具体数据和业务需求进行调整和优化。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值