【数据分析-37】RFM数据可视化_rfm分析可视化-CSDN博客

本文链接：https://blog.csdn.net/m0_69378371/article/details/145567778

RFM（Recency, Frequency, Monetary）分析是一种常用于客户行为分析和客户细分的技术，特别是在营销领域。它通过三个指标（Recency：最近一次购买的时间，Frequency：购买频率，Monetary：购买金额）对客户进行评估，帮助公司识别出最有价值的客户群体，从而优化营销策略。

RFM分析通常会将客户划分为不同的群体（例如高价值客户、低价值客户等），这些群体可以根据不同的业务需求进行相应的营销干预。

RFM数据可视化的目的

RFM数据可视化主要目的是通过图表、图形等方式直观展示RFM分析的结果，使分析人员能够更容易地理解客户的行为模式、购买习惯和价值，以便进行精细化的客户管理和精准营销。

如何进行RFM数据可视化？

数据准备：
为了进行RFM分析，首先需要收集客户的交易数据，并从中计算出客户的 Recency、Frequency 和 Monetary 值。

例如，我们可以通过以下方式来计算：
- Recency ®: 客户最后一次购买的时间距离当前时间的天数。
- Frequency (F): 客户在指定时间段内购买的次数。
- Monetary (M): 客户在指定时间段内的消费金额。
RFM评分：
将每个指标（Recency、Frequency、Monetary）转化为相应的评分，通常是将数据分为几个区间，给每个区间打上一个分数。比如，Recency根据最后一次购买的天数进行分级，越近的客户分数越高。

例如：
- Recency：最后购买时间距离现在为0-30天（得分3），31-60天（得分2），61-90天（得分1）。
- Frequency：购买次数为10次及以上（得分3），5-9次（得分2），1-4次（得分1）。
- Monetary：消费金额为1000元及以上（得分3），500-999元（得分2），低于500元（得分1）。
客户细分：
利用RFM得分将客户划分为不同的群体，例如高价值客户、中价值客户、低价值客户等。
数据可视化：
RFM分析结果可以通过以下几种方式进行可视化：

1. 散点图（Scatter Plot）

散点图是常用的一种可视化方式，尤其适合展示 Recency、Frequency 和 Monetary 之间的关系。通过散点图，分析人员可以看到不同客户群体的分布情况，识别出潜在的高价值客户（例如，右上角的客户：最近购买频繁且消费金额高）。

X轴: Recency（购买最近时间）
Y轴: Frequency（购买频率）
Size/Color: Monetary（消费金额）

import matplotlib.pyplot as plt
import seaborn as sns

# 假设 df 是包含 RFM 数据的 DataFrame
plt.figure(figsize=(10, 6))
sns.scatterplot(x='Recency', y='Frequency', size='Monetary', data=df, hue='RFM_Segment', palette="viridis")
plt.title('RFM Scatter Plot')
plt.xlabel('Recency (Days Since Last Purchase)')
plt.ylabel('Frequency (Number of Purchases)')
plt.show()

2. 热力图（Heatmap）

热力图适用于通过颜色深浅来展示客户在不同 RFM 分数组合下的分布情况。常常用于比较不同群体的行为模式。

import seaborn as sns
import matplotlib.pyplot as plt

# 假设 RFM_df 是 RFM 分数的 DataFrame
plt.figure(figsize=(10, 6))
sns.heatmap(RFM_df, annot=True, cmap="YlGnBu", linewidths=.5)
plt.title("Heatmap of RFM Scores")
plt.show()

通过热力图，可以清楚地看到每个 RFM 区间下的客户数量或其他统计数据。

3. 箱线图（Boxplot）

箱线图可以帮助我们理解客户 Monetary 分数在不同 Recency 和 Frequency 范围内的分布情况，查看高价值客户的消费特征。

import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(10, 6))
sns.boxplot(x="Recency", y="Monetary", data=df)
plt.title('Monetary Distribution by Recency')
plt.show()

4. 柱状图（Bar Chart）

柱状图可以用来显示客户群体在不同的 RFM 分类下的数量分布，帮助我们识别出哪些客户群体更重要。

import matplotlib.pyplot as plt

rfm_counts = df['RFM_Segment'].value_counts()

plt.figure(figsize=(10, 6))
rfm_counts.plot(kind='bar', color='skyblue')
plt.title('Customer Distribution by RFM Segment')
plt.xlabel('RFM Segment')
plt.ylabel('Customer Count')
plt.show()

5. 雷达图（Radar Chart）

雷达图用于展示每个客户群体在 Recency、Frequency、Monetary 这三个维度上的分布情况，能够帮助我们更全面地了解客户的行为特征。

import numpy as np
import matplotlib.pyplot as plt

labels = ['Recency', 'Frequency', 'Monetary']
values = [3, 2, 1]  # 假设这是某个客户的RFM得分
angles = np.linspace(0, 2 * np.pi, len(labels), endpoint=False).tolist()

values += values[:1]  # 闭合图形
angles += angles[:1]

plt.figure(figsize=(6, 6))
plt.polar(angles, values, color='green', linewidth=2, linestyle='solid')
plt.fill(angles, values, color='green', alpha=0.3)

plt.title('RFM Radar Chart')
plt.show()