数据分析：分层模型分析—RFM

---

`

一、RFM·分层模型

RFM是通过三个维度指标，且每个维度指标细分两类，组成八个分析组，据此对分析目标对象进行价值评估和精细化的管理。 根据分层结果，总结对象层级特点，针对不同的分析对象，采用不同的策略。

二、分层原理

采用五分制标记的方式，把R、F、M指标的数据都分为五个等级。	

	R	F	M
高价值对象	时间间隔短【1~3】	活动次数多【4~5】	活动值大【4~5】
重点发展对象	时间间隔短【1~3】	活动次数少【1~3】	活动值大【4~5】
重点唤回对象	时间间隔长【4~5】	活动次数多【4~5】	活动值大【4~5】
重点潜力对象	时间间隔长【4~5】	活动次数少【1~3】	活动值大【4~5】
一般潜力对象	时间间隔短【1~3】	活动次数多【4~5】	活动值小【1~3】
一般发展对象	时间间隔短【1~3】	活动次数少【1~3】	活动值小【1~3】
一般维系对象	时间间隔长【4~5】	活动次数多【4~5】	活动值小【1~3】
低价值对象	时间间隔长【4~5】	活动次数少【1~3】	活动值小【1~3】

三、分析指标

R（Recency）：反映对象的活动时间间隔。

    当R值越小，分析对象最近一次活动时间间隔越短（1~3）；

    当R值越大，分析对象最近一次活动时间间隔越长（4~5）

F（Frequency）：反映对象的活动频率

     F值越大，分析对象活动次数越多（4~5）

     F值越小，分析对象活动次数越少（1~3）

M（Monetary）：反映对象的活动值

     M值越大，分析对象的活动值越大（4~5）

     M值越小，分析对象的活动值越小（1~3）

实践分析：根据b站“科学科普”分区的视频数据，模仿RFM模型，搭建IFL模型，划分该分区up主的类型。

分 析 指 标：

I：表示的是平均每个视频的互动率（M）
F：表示的是每个视频的平均发布周期（R）
L：表示的是视频的平均点赞率（F）

（1）实现步骤

（1）读取数据
（2）聚类划分入选名单
（3）模仿RFM对IFL进行描述性分析

1）模仿F值，设置互动率（I值）
2）模仿R值,设置发布周期（F值）
3）模仿M值,设置点赞率（L值）
4）合拼数据

（4）模仿RFM依次对IFL进行划分

1）数据根据频率分箱标记
2）自定义对象分层模块
3）分析对象分层标记

（5）对用户进行分层分析

1）自定义对象分析模块
2）分析结果可视化

（2）实现代码

代码如下：

import pandas as pd
import matplotlib.pyplot as plt
""" ================================================================== """
# 读取数据
path1=r"F:\\数据分析\\huanhuan\\bilibili.csv"
data=pd.read_csv(path1)
# 聚类划分入选名单
a=data.groupby