【数据分析-38】RFM数据可视化2_rfm模型散点图-CSDN博客

本文链接：https://blog.csdn.net/m0_69378371/article/details/145567819

在深入讨论 RFM 数据可视化之前，了解 RFM 数据分析的背后原理对于理解其可视化的应用场景非常重要。让我们从 RFM 分析的具体操作入手，进一步探讨它如何帮助我们优化客户关系管理，并细化其在数据可视化中的应用。

1. RFM分析的基础概念

RFM (Recency, Frequency, Monetary) 分析基于客户的购买行为，将客户按其购买的 最近性、频率和金额来划分。这三个维度帮助我们回答以下问题：

Recency (最近性): 客户最近一次购买发生了多久？最近购买的客户往往更容易再次购买，因此 Recency 是非常重要的衡量指标。
Frequency (频率): 客户购买的频率有多高？频繁购买的客户更有可能成为忠实顾客。
Monetary (金额): 客户在一定时间内的总消费金额是多少？高消费金额的客户通常是高价值客户。

RFM分析的目标是识别出不同客户群体，根据这些群体制定不同的营销策略。

2. RFM分析的执行步骤

为了对客户进行RFM分析，需要执行以下步骤：

收集数据：
- 提取出客户的交易记录，数据包括购买时间、购买次数和每次购买的金额。
计算RFM值：
- Recency: 计算客户从最近一次购买到当前的时间间隔。
- Frequency: 计算每个客户在一定时间段内购买的次数。
- Monetary: 计算每个客户在一定时间内的消费金额总和。
给每个RFM维度打分：
- 将每个维度的数据分成几个区间，给每个区间分配一个得分（例如1-3）。例如，购买越频繁的客户得分越高，最近购买的客户得分越高，花费较多的客户得分越高。
客户分组与细分：
- 将客户按照RFM评分划分为不同的群体，如高价值客户、中等价值客户和低价值客户。
数据可视化：
- 可视化RFM结果，帮助直观了解客户的行为模式，以便采取针对性的营销策略。

3. 深入探讨RFM可视化方法

3.1 散点图（Scatter Plot）

散点图非常适合展示 RFM 三个维度的关系。你可以选择两个维度来进行展示（例如 Recency 和 Frequency），通过不同的颜色或大小来表示第三个维度（例如 Monetary）。这种可视化方法可以帮助你快速识别出潜在的高价值客户群体。

代码示例：

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()

通过散点图，可以看到哪些客户最近频繁购买并且消费金额较大，这通常是高价值客户。右上角的客户群体可能是最值得关注的群体。

3.2 热力图（Heatmap）

热力图对于展示各个维度间的关系以及客户分布非常有效。在RFM分析中，你可以用热力图展示不同评分组合下客户的分布情况，比如用 Recency 和 Frequency 作为X轴和Y轴，颜色深浅代表 Monetary，让我们一目了然地看到哪些组合最有价值。

代码示例：

import seaborn as sns
import matplotlib.pyplot as plt

# 创建一个RFM数据框架，假设数据已分配给RFM
RFM_data = df[['Recency', 'Frequency', 'Monetary']]

# 绘制热力图
plt.figure(figsize=(10, 6))
sns.heatmap(RFM_data.corr(), annot=True, cmap="YlGnBu", linewidths=0.5)
plt.title('RFM Data Correlation Heatmap')
plt.show()

3.3 条形图（Bar Chart）

条形图适合显示不同RFM群体的客户数量。通过条形图，我们可以直观地看到每个RFM类别中的客户分布，帮助我们识别出哪些群体是高价值客户，哪些群体可能需要改进。

代码示例：

import matplotlib.pyplot as plt

# 假设 'RFM_Segment' 是每个客户的分组标签
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()

3.4 雷达图（Radar Chart）

雷达图（也叫蛛网图）是一种能在多个维度上同时显示客户数据的图形。对于RFM分析来说，雷达图适合展示每个RFM分数的情况，帮助我们更全面地了解客户行为。例如，比较高价值客户与低价值客户在 Recency、Frequency 和 Monetary 维度上的差异。

代码示例：

import numpy as np
import matplotlib.pyplot as plt

# 客户的RFM得分（假设这是某客户的数据）
labels = ['Recency', 'Frequency', 'Monetary']
values = [3, 2, 1]  # 该客户的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()