用户消费行为数据分析2——构建RFM模型

RFM模型

为了进行精细化运营，可以利用RFM模型对用户价值指数（衡量历史到当前用户贡献的收益）进行计算，其中：

R：（Recency，最近一次消费），R值越大，表示客户交易发生的日期越久，反之则交易发生的日期越近

F：（Frequency，消费频率），F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃（此处选择购买产品数量作F）

M：（Monetary，消费金额），M值越大，表示客户价值越高，反之则表示客户价值越低。

pivot_table()函数创建透视表

Python的透视函数——pivot_table()。

pd.pivot_table(index=[],columns = [], values = [], aggfunc = [])
其中，index指的是分组的时候选择哪个字段作为索引，columns指的是指定的列名是什么，values可以决定保留哪些属性字段，aggfunc决定对每个字段执行的函数，默认sum。

接着，我们对用户消费数据采用pivot_table()函数。主要想得到：每个订单('id')最近的一次消费时间，总消费金额（‘cost’），总消费次数（‘number’）。

rfm = data.pivot_table(index = 'id', 
                     values = ['number', 'cost', 'date'], 
                     aggfunc = {'date':'max', 'number':'sum', 'cost':'sum'})
## 消费产品数 消费总金额 最近一次消费时间
rfm.head()

查看rfm中的数据：

接着，我们将其转化为对应的R,F,M数据：

其实，我们想要的F,M数据已经得到了，只需要给它们改个名字就可以。

但是，R——消费频率的数据还没有得到，我们以最后一次消费时间作为当前时间，统计用户（‘id’）最后一次的购买时间距当前时间所隔的天数，天数越小，说明用户的消费越频繁。

rfm["R"] = -(rfm.date-rfm.date.max())/np.timedelta64(1, 'D')  # 取相差的天数，保留一位小数
rfm.rename(columns = {'number':'F', 'cost':'M'},inplace = True)
print(rfm)

用户分层

将已有的R,F,M数据转化为0/1数据，为每个类似于‘001’的数据打上相应的、合理的标签，即完成了对用户的分层。

print(rfm[['R', 'F', 'M']].apply(lambda x:x - x.mean())) # 每个数据与均值作比较

我们假设每个数若为正数，给它对应成‘1’，否则为‘0’。

def aggfc(k):
    level = k.apply(lambda x:'1' if x>0 else '0')
    leable = level.R + level.M + level.F
    d = {
        '111':'重要价值客户',
        '011':'重要保持客户',
        '101':'重要挽留客户',
        '001':'重要发展客户',
        '110':'一般价值客户',
        '010':'一般保持客户',
        '100':'一般挽留客户',
        '000':'一般发展客户',
    }
    result = d[leable]
    return result
rfm['lable'] = rfm[['R', 'F', 'M']].apply(lambda x:x-x.mean()).apply(aggfc, axis = 1)
rfm

此时，就完成了对每个数据的分层。

分层数据可视化

# 客户分层可视化
rfm.loc[rfm.lable == '重要价值客户', 'color'] = 'g'
rfm.loc[~(rfm.lable == '重要价值客户'), 'color'] = 'r'
rfm.plot.scatter('F', 'R', c = rfm.color)
plt.show()