Python RFM模型—会员价值度分析

已于 2024-03-20 13:51:26 修改
阅读量2.7k 收藏 39
点赞数 53
分类专栏： Python数据分析绘图 文章标签： python 人工智能 大数据 开发语言 echarts
于 2024-03-20 13:48:01 首次发布
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/knightseasky/article/details/136873343
版权
本文介绍了RFM模型在会员价值度分析中的应用，通过Python进行RFM分群，使用Pyecharts绘制3D图形。讲解了RFM模型的概念、计算方法和业务应用场景，强调了不同业务对RFM各维度的重视程度，并提供了实际案例的详细步骤，包括数据处理、预计算、离散化和结论分析。案例中还展示了如何根据RFM得分制定针对性的营销策略。
摘要由CSDN通过智能技术生成


如果想单独一对一辅导学习C++、Java、Python编程语言的可以加微信咨询

会员价值度模型案例

目标

  • 知道RFM模型的概念和使用方法
  • 掌握如何使用Python进行RFM分群
  • 知道如何使用Pyecharts绘制3D图形

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，本文提供数据集下载来源。

1. 会员价值度模型介绍

  • 会员价值度用来评估用户的价值情况，是区分会员价值的重要模型和参考依据，也是衡量不同营销效果的关键指标之一。

  • 价值度模型一般基于交易行为产生，衡量的是有实体转化价值的行为。常用的价值度模型是RFM

  • RFM模型是根据会员

    • 最近一次购买时间R（Recency）
    • 购买频率F（Frequency）
    • 购买金额M（Monetary）计算得出RFM得分
    • 通过这3个维度来评估客户的订单活跃价值，常用来做客户分群或价值区分
    • RFM模型基于一个固定时间点来做模型分析，不同时间计算的的RFM结果可能不一样
    R F M 用户类别
    高 高 高 重要价值用户
    高 低 高 重要发展用户
    低 高 高 重要保持用户
    低 低 高 重要挽留用户
    高 高 低 一般价值用户
    高 低 低 一般发展用户
    低 高 低 一般保持用户
    低 低 低 一般挽留用户

  • RFM模型的基本实现过程：

    • ①设置要做计算时的截止时间节点（例如2017-5-30），用来做基于该时间的数据选取和计算。
    • ②在会员数据库中，以今天为时间界限向前推固定周期（例如1年），得到包含每个会员的会员ID、订单时间、订单金额的原始数据集。一个会员可能会产生多条订单记录。
    • ③ 数据预计算。从订单时间中找到各个会员距离截止时间节点最近的订单时间作为最近购买时间；以会员ID为维度统计每个用户的订单数量作为购买频率；将用户多个订单的订单金额求和得到总订单金额。由此得到R、F、M三个原始数据量。
    • ④ R、F、M分区。对于F和M变量来讲，值越大代表购买频率越高、订单金额越高；但对R来讲，值越小代表离截止时间节点越近，因此值越好。对R、F、M分别使用五分位（三分位也可以，分位数越多划分得越详细）法做数据分区。需要注意的是，对于R来讲需要倒过来划分，离截止时间越近的值划分越大。这样就得到每个用户的R、F、M三个变量的分位数值。
    • ⑤ 将3个值组合或相加得到总的RFM得分。对于RFM总得分的计算有两种方式，一种是直接将3个值拼接到一起，例如RFM得分为312、333、132；另一种是直接将3个值相加求得一个新的汇总值，例如RFM得分为6、9、6。

  • Excel实现RFM划分案例

    • 以某电商公司为例

      • R：例如：正常新用户注册1周内交易，7天是重要的值，日用品采购周期是1个月，30天是重要的值
      • F：例如：1次购买，2次购买，3次购买，4~10次，10次以上
      • M：例如：客单价300，热销单品价格240 等

    • 常见的确定RFM划分区间的套路

      • 业务实际判断
      • 平均值或中位数
      • 二八法则

    • 提取用户最近一次的交易时间，算出距离计算时间的差值

      • 获取当前时间=TODAY()

      在这里插入图片描述

      • 计算时间间隔

      在这里插入图片描述

    • 根据天数长短赋予对应的R值

      • =IF(D2>60,1,IF(D2>30,2,IF(D2>14,3,IF(D2>7,4,5))))

      在这里插入图片描述

    • 从历史数据中取出所有用户的购买次数，根据次数多少赋予对应的F分值

      • =IF(E2>10,5,IF(E2>3,4,IF(E2>2,3,IF(E2>1,2,1))))

      在这里插入图片描述

    • 从历史数据中汇总，求得该用户的交易总额，根据金额大小赋予对应的M值

      • =IF(F2>1000,5,IF(F2>500,4,IF(F2>300,3,IF(F2>230,2,1))))

      在这里插入图片描述

    • 求出RFM的中值，例如中位数，用中值和用户的实际三值进行比较，高于中值的为高，否则为低

    在这里插入图片描述

  • 在得到不同会员的RFM之后，根据步骤⑤产生的两种结果有两种应用思路

    • 思路1：基于3个维度值做用户群体划分和解读，对用户的价值度做分析
      • 得分为212的会员往往购买频率较低，针对购买频率低的客户应定期发送促销活动邮件
      • 得分为321的会员虽然购买频率高但是订单金额低等，这些客户往往具有较高的购买黏性，可以考虑通过关联或搭配销售的方式提升订单金额。
    • 思路2：基于RFM的汇总得分评估所有会员的价值度价值，并可以做价值度排名。同时，该得分还可以作为输入维度与其他维度一起作为其他数据分析和挖掘模型的输入变量，为分析建模提供基础。

2 RFM计算案例

2.1 案例背景

  • 用户价值细分是了解用户价值度的重要途径，针对交易数据分析的常用模型是RFM模型

  • 业务对RFM的结果要求

    • 对用户做分组
    • 将每个组的用户特征概括和总结出来，便于后续精细化运营不同的客户群体，且根据不同群体做定制化或差异性的营销和关怀

  • 规划目标将RFM的3个维度分别做3个区间的离散化

    • 用户群体最大有3×3×3=27个
    • 划分区间过多则不利于用户群体的拆分
    • 区间过少则可能导致每个特征上的用户区分不显著

  • 交付结果

    • 给业务部门做运营的分析结果要导出为Excel文件，用于做后续分析和二次加工使用
    • 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

  • 数据说明

    • 选择近4年订单数据，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
    • 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和MySQL数据库sales_rfm_score表中

2.2 用到的技术点

  • 通过Python代码手动实现RFM模型，主要用到的库包括
    • time、numpy和pandas
    • 在结果展示时使用了pyecharts的3D柱形图

2.3 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，数据来源于销售系统

  • 数据在Excel中包含5个sheet，前4个sheet以年份为单位存储为单个sheet中，最后一张会员等级表为用户的等级表，数据集下载：https://download.csdn.net/download/knightseasky/88999235

  • 前4张表的数据概要如下。

    • 特征变量数：4

    • 数据记录数：30774/41278/50839/81349

    • 是否有NA值：有

    • 是否有异常值：有

      ·会员ID：每个会员的ID唯一，由纯数字组成。
      ·提交日期：订单日提交日期。
      ·订单号：订单ID，每个订单的ID唯一，由纯数字组成。
      ·订单金额：订单金额，浮点型数据。

  • 具体数据特征如下：

    • 会员ID：每个会员的ID唯一，整型
    • 提交日期：订单日提交日期
    • 订单号：订单ID，每个订单的ID唯一，整型
    • 订单金额：订单金额，浮点型数据

  • 会员登记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

    • 会员ID：该ID可与前面的订单表中的会员ID关联
    • 会员等级：会员等级以数字区分，数字越大，级别越高

2.4 代码

  • 安装所需python库
pip install pymysql pyecharts
  • 导入模块
import time  # 时间库

import numpy as np  # numpy库
import pandas as pd  # pandas库
import pymysql  # mysql连接库

from pyecharts.charts import Bar3D # 3D柱形图

  • 用到了6个库：time、numpy、pandas、pymysql、pyecharts。

    • time：用来记录插入数据库时的当前日期
    • numpy：用来做基本数据处理等
    • pandas：有关日期转换、数据格式化处理、主要RFM计算过程等
    • pymysql：数据库连接工具，读写MySQL数据库。
    • pyecharts：展示3D柱形图

  • 读取数据

    sheet_names = ['2015','2016','2017','2018','会员等级']
sheet_datas = [pd.read_excel('data/sales.xlsx',sheet_name=i) for i in sheet_names]

  • 查看数据基本情况

    for each_name,each_data in zip(sheet_names,sheet_datas):    
    print('[data summary for ============={}===============]'.format(each_name))
    print('Overview:','\n',each_data.head(4))# 展示数据前4条
    print('DESC:','\n',each_data.describe())# 数据描述性信息
    print('NA records',each_data.isnull().any(axis=1).sum()) # 缺失值记录数    
    print('Dtypes',each_data.dtypes) # 数据类型

    输出结果：

    [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
最低0.47元/天 解锁文章
编程牛
关注
专栏目录
RFM 模型 PYTHON 版
Aberton的博客
03-21 433
RFM模型 R:购买时间间隔 F:购买频次 M:客单价 主讲关于RFM模型PYTHON实现 构造虚拟数据表order.xlsx KEY:关注随机函数的应用 具体代码： import pandas as pd df=pd.read_excel(“d:\order.xlsx”) #剔除未成交订单 df=df.loc[df[“订单状态”]==“成交”,:] #根据需求取数 df=df[[“姓名”,“购...
基于客观事实的 RFM 模型（Python 代码）
Python_xiaowu的博客
12-18 2181
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...
数据分析实战(四) 改进版RFM模型挖掘B站动画区优质UP主
shine4869的博客
02-05 3125
目录
python-RFM模型
oyq的博客
05-31 1097
RFM模型：根据客户消费行为的三个关键指标（R-最近一次的购物时间，F-一段时间内客户的购物次数，M-客户消费总金额）来将客户分层并针对不同层级的客户进行不同的营销策略； 此次将客户分成8类（按R、F、M三个值的平均值作为阈值来进行划分），整理成函数如下： #函数：该函数将客户按RFM方法分成八类，且显示对应的营销策略（分类的阈值和等级以及对于的营销策略可以按需进行更改） def rfm_strategy(r,f,m,recently,frenquency,money): if r>..
Python实现RFM模型
lzay的博客
10-11 1410
模型介绍 RFM模型即"R"——Recency（最近一次消费时间）、“F”——Frequency（一段时间内消费频次）、“M”——（一段时间内消费总额）。这三个指标可以将我们的用户划分成不同的等级和层次，目的是为了衡量他们的用户价值，从而能够更准确地将成本和精力花在更精确的用户层次身上。一个典型的例子就是针对一个明显无意愿的流失用户，对其继续push自己的核心产品，费时费力也费钱。 数据清洗 import pandas as pd import numpy as np import os df = pd.
Python RFM用户分析模型(个人笔记)
程志伟的博客
08-21 1061
关注微信公共号：小程在线 关注CSDN博客：程志伟的博客 Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64)] Type "copyright", "credits" or "license" for more information. IPython 7.12.0 -- An enhanced Interactive Python. • R， Rencency，即每个客户有多少天没回购了，可以理解为..
基于Python实现航空公司RFM模型的客户价值分析设计源码
最新发布
10-02
本项目为基于Python开发的航空公司客户价值分析源码，包含23个文件，涵盖6个Python脚本、6个...项目采用RFM模型（最近消费频率、消费金额）对客户进行细分，旨在识别和评估客户价值，适用于提升航空公司客户关系管理。
基于Python的RFM模型电商数据分析及可视化.zip
08-31
基于Python的RFM模型电商数据分析及可视化.zip 该项目是个人大作业项目源码，评审分达到95分以上，都经过严格调试，确保可以运行！放心下载使用。 该项目资源主要针对计算机相关专业的学生或从业者下载使用，也可...
Python实现电子产品销售数据分析及RFM用户价值分析.rar
11-29
总的来说，本项目提供了一个从数据处理到高级分析的完整流程，对于学习Python数据分析和理解RFM模型的实践应用具有很高的参考价值。无论你是数据分析师、产品经理还是市场营销人员，都能从中获益匪浅，提升自己的...
RFM会员价值度模型
weixin_46072106的博客
12-14 3261
1. 简介 1.1 作用 会员价值度用来评估用户的价值情况，是区分会员价值的重要模型和参考依据，也是衡量不同营销效果的关键指标之一。 1.2 定义 价值度模型一般基于交易行为产生，衡量的是有实体转化价值的行为。常用的价值度模型是RFM RFM模型是根据会员 最近一次购买时间R（Recency） 购买频率F（Frequency） 购买金额M（Monetary）计算得出RFM得分 通过这3个维度来评估客户的订单活跃价值，常用来做客户分群或价值区分 RFM模型基于一个固定时间点来做模型分析，不同时间计算的
Python 案例-基于RFM的用户价值度模型.rar
07-10
Python 案例-基于RFM的用户价值度模型和基于AdaBoost的营销响应预测，依赖库：time、numpy、pandas、mysql.connector 　　程序输入：sales.csv 　　程序输出：RFM得分数据写本地文件sales_rfm_score.csv和数据表（sales_rfm_score） 　　注意：Python的工作目录当前文件夹目录，如果不是请使用如下方法切换： 　　 点击PyCharm底部调试栏中的Python Console，如果按照本书的正常安装部署会调用iPython交互窗口；在打开的交互环境中输入cd [路径]。 　　完成的功能：将数据写入数据库、查找数据库是否存在目标表，如果没有则新建、保存RFM得分到本地文件、保存RFM得分到MySQL数据库等。
Python pandas RFM模型应用实例详解
09-18
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
Python实现RFM建模
JackTian
03-02 2392
作者：Huang supreme 来源：https://blog.csdn.net/weixin_41261833/article/details/104425817 目录   1、RFM模型的含义   2、RFM分析的前提条件   3、原始数据   4、数据处理    4.1、什么是R、F、M呢？    4.2、熟悉数据集    4.3、保留有效数据    4.4、选取有效字段    4.5...
【Python】RFM模型实现
Yigichul的博客
10-12 637
Python实现RFM模型
RFM分析模型（Python篇）
Max_Leo的博客
02-06 991
RFM分析模型广泛应用于识别优质客户，依据RFM模型分析结果可以定制个性化的沟通和服务方案，并为营销决策提供有力支持。 RFM分析模型属于探索性分析方法中的一种，即从海量数据中，依据R、F、M三个指标，获取高价值用户信息。 R：Recency——用户最近一次交易时间的间隔。 F：Frequency——客户最近一段时间内的交易次数。 M：Monetary——客户最近一段时间内的交易金额。 ...
Python 实现 RFM 模型(详)：用户行为分析模型，商业实践与数据分析实战(含可视化)
阅读从未停止，输出从未开始
02-28 5995
引言   对利用Python进行数据分析有一定的了解后，再加上一些业务知识；把理论与实际相结合的需求也呼之欲出。将编程语言应用到实际商务实践中也还是一件比较有成就感的事情。本博文源起是笔者最近总是收到如下“骚扰”短信   原来是老早之前笔者替老妹买的一支护发油，便揣测自己是不是被当成了潜在客户，店家时不时就来刷一下存在感之类的。于是果断搬出自己远古的一个与用户行为分析模型有关的小项目，又名RF...
rfm模型python_使用python实现RFM模型
weixin_39820588的博客
12-20 417
今天用Python做了一个RFM模型分析，数据来源是Kaggle上的一个专门用于RFM模型学习的数据集，数据链接我会在文章附上。日常呼唤一下，喜欢点赞呀正文开始：模型介绍：RFM模型根据客户活跃程度和交易金额的贡献，进行客户价值细分的一种方法。R(Recency)——最近一次交易时间间隔。基于最近一次交易日期计算的得分，距离当前日期越近，得分越高。如5分制。反映客户交易活跃度。F(Frequenc...
python rfm模型实现
qq_34211618的博客
06-26 3039
原数据是航空公司客户数据，目的是对客户分类（按价值等因素），对不同客户类别进行特征分析，比较不同客户的客户价值，对不同价值的客户提供个性化服务。 所有数据指标如下图所示 RFM模型，及最近消费时间间隔recency，消费频率Frequency，消费金额Monetary来进行客户细分。本案例用一定时间累积飞行里程M，和乘坐舱位所对应的折扣系数的平均值C代替消费金额。增加客户关系长度L，构成了LRF...
python实现RFM模型分析
weixin_28903789的博客
04-09 869
python实现RFM模型分析 import numpy as np import pandas as pd import pyreadstat import matplotlib.pyplot as plt from mpl_toolkits.mplot3d import Axes3D # 空间三维画图 import time import datetime as dt #========...
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

打赏作者

编程牛

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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