RFM用户分层之Python实践

文章目录

 

前言

一、RFM模型是什么？

二、使用步骤

1、RFM模型读数据及预处理

2、划分用户类别及制定业务决策

总结

---

前言

 

    RFM模型是一种经典的用户分层方法，多用于传统营销、零售业等领域,适用于拥有多种消费品或快速消费品的行业。本文采用Python实现RFM分层方法，并对用户分层结果做统计分析得出结论。

---

 

一、RFM模型是什么？

1. 三个要素，分别是：Recency（最近一次交易距今时间）、Frequency（交易频率）、Monetary（交易金额）

   1. R值（最近一次交易距今时间）用户最近一次交易距今的时间。间隔时间越短，则值越大，这类客户也是最有可能对活动产生反应的群体
   2. F值（交易频率）用户在限定的时间内所购买的次数。最常购买的顾客，也是满意度、忠诚度最高的顾客
   3. M值（交易金额）用户的交易金额，可以分为累计交易金额和平均每次交易金额，根据不同的目的取不同的数据源进行建模分析

2. 用户类别，四类重要客户、四类一般客户

   根据客户活跃程度和交易金额的贡献，对客户价值细分8类用户：

3. 用户分层方法：

   1. 第一种分层方法: 样本数据均匀分布，可用均值划分价值高低，误差比较小
   2. R值、F值、M值分别计算出均值，然后根据用户的数据就可以填入相应的客户类型。“↑”表示大于均值，“↓”表示小于均值。如下图：

4. 模型结果及运营策略

   RFM细分结果:

二、使用步骤

1、RFM模型读数据及预处理

即"R"——Recency（最近一次消费时间）、"F"——Frequency（一段时间内消费频次）、"M"——（一段时间内消费总额）

取业务线2020年7月用户交易数据，选取r：最近一次交易时间与