是的,我们每个人在平台的眼里,价值都是不一样的。
比如一些天天上网购物,拆快递拆到手软的美女帅哥们,他们就是各个平台的高活跃高价值用户,他们要是哪天有停止购物准备跑路的痕迹,平台的运营朋友会急得想死,千方百计进行挽留,毕竟你是他们的衣食爹妈,死活得让你继续贡献软妹币。
还有一些用户就没这么好运了。
比如东哥这种死抠门,三年五年不见得出一次血,一个49块钱买的破衬衣要穿好几个春夏秋冬。这种的话,平台都懒得鸟你,你特么爱来不来,多一个不多,少一个不少,出门左拐,慢走不送。
那么平台是通过哪些维度进行用户价值判断与划分的呢?
今天的主角RFM模型就来告诉你答案。
— 1 —
RFM模型
有的人看到模型两个字,就瑟瑟发抖,以为要用各种数学公式,想都不想就一脸嫌弃。其实你误会了,RFM模型真的非常友好,要不然东哥这种纯文科生也搞不掂。
看名称你就知道,这个模型主要就是三个要素:
R,Rencency,就是最近一次消费是啥时候。比如你上次买姨妈巾是一个月前。
F,Frequency,就是你的消费频率,比如你一月来一次大姨妈,那你一个月会买一次姨妈巾,一年就是12次,当然也有人一次性买一年的,那么你的消费频率就低了,一年才1次。
M,Monetary,就是你的消费金额,有的人穷,买20块钱的;有的人富,姨妈巾都要镀金的,那么可能几百几千的。
嗯,相信你对RFM模型的三个指标已经非常清楚了。那么,RFM模型为什么成立呢?逻辑是什么?
逻辑也很简单:
1、最近买过的人,应该比最近没买过的人更有价值
2、一年来买10次的人,应该比一年来买1次的人更有价值
3、消费额度100的人,应该比消费1块钱的人更有价值
在这个逻辑下,我们就会对RFM的每个指标进行打分,最后算出RFM的总分,并以此来判断客户的分层。
当然每个公司对指标的侧重点不一样,所以赋分阶段也可以有所偏向。
— 2 —
数据准备
1、数据输入
import numpy as np import pandas as pd from pyecharts import Bar,WordCloud,Pie df=pd.read_excel(r'C:\Users\Administrator\Desktop\销售数据.xlsx') df.head()
这个数据里面字段比较多对不对?但是RFM模型只有三个指标,所以根本不需要这么多字段,那么我们只要选出模型所需要的字段即可。
2、字段选择
df=df[['订单号','订单日期','顾客姓名','销售额']] df.head()