`
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