Python实现RFM分析模型

目录

背景知识：   

1.场景与需求

2.Python代码实现：

3.Python代码解读：

4.分析与应用

本文代码与数据集下载方法 ：

---

背景知识：   

RFM分析模型广泛应用于识别优质客户，是进行客户细分、精准营销，最流行、最简单、最有效的方法。依据RFM分析模型的结果可以定制个性化的沟通和服务方案，并为营销决策提供有力支持。

        

        以往进行RFM分析模型，在数据量不多的情况下，我们可以采用SPSS的直销分析模块（如下图），导入数据，逐步点击就完成了。但是当面临个性化的需求时，这种定制化的工具就满足不了啦，并且SPSS作为IBM的收费项目，价格不菲。本文我们仅用numpy和pandas两个包来就能完成它。

         RFM分析模型属于探索性分析方法中的一种，即从海量数据中，依据R、F、M三个指标，获取高价值用户信息。

                R：Recency——用户最近一次交易时间的间隔。

                F：Frequency——客户最近一段时间内的交易次数。

                M：Monetary——客户最近一段时间内的交易金额。

        那么引出如下两个问题：

（1）显而易见，R指标在计算时候需要一些反向处理，因为F与M都是越大越好，R是越小越好。

（2）三个指标在各自维度上仅有高与低两个分类，因此组合出8种情况，也是八种价值类型的客户。

    下面我们带着上面两个问题仅使用Python的numpy和pandas两个包进行RFM分析模型的编写：

1.场景与需求

如下图为近期的交易数据，订单ID为唯一标示，其余三列为客户ID，交易日期，交易金额；据此进行RFM分析模型的开发：

2.Python代码实现：

3.Python代码解读：

数据存放于一个Excel文件，读取后进行数据格式的转换、列间的运算。

主体思路如下：

1）首先进行 数据透视（可以看作SQL的聚合运算，聚合字段为"客户ID"），分别处理好R、F、M指标所需要的原始值，并以"客户ID"进行关联；

2）针对处理好的数据，进行 数据分箱（数据分成五等分，分别赋予1，2，3，4，5，五个级别分数，数值越大越好，此处R指标需要反向处理）,这里就得到了每个客户的R、F、M指标的分值为：R_S、M_S、F_S；

3）总分的计算为RFM = R_S*100+M_S*10+F_S*1;

4.分析与应用

通常我们进行重点营销的判断为 RFM>=500的客户；

或者分别计算R_S、M_S、F_S三列数据的均值，大于等于均值视为“高”，小于均值视为“低”，由此分辨8种不同营销价值的用户。

本文代码与数据集下载方法 ：

请私信索取。