RFM模型聚类分析客户价值

1. 导入工具库

import pandas as pd
from math import ceil
from datetime import datetime
from sklearn.cluster import KMeans

2. 构建RFM模型

读取数据

df = pd.read_excel('原始数据.xlsx',index_col='用户编码')
df.head()

提取数据日期

# 提数日为2016年7月20日
collect_date = datetime(2016,7,20)

Recency-最近一次投资时间距提数日天数

# Recency-最近一次投资时间距提数日天数
R = []
for i in range(len(df)):
    R.append((collect_date - df['最近一次投资时间'])[i].days)

Frecency-月均投资次数

# 投资月数
months = []
for i in range(len(df)):
    months.append(ceil((collect_date - df['首次投资时间'])[i].days/30))

# Frecency-月均投资次数
F = list(df['总计投标总次数']/months)

Monetary-月均投资金额

# Monetary-月均投资金额
M = list(df['总计投资总金额']/months)

RFM模型

data = pd.DataFrame([R,F,M]).T
data.index = df.index
data.columns = ['R-最近一次投资时间距提数日天数','F-月均投资次数','M-月均投资金额']
data

3. K-Means聚类分析

数据标准化

zdata = (data - data.mean())/data.std()
zdata

模型训练

kmodel = KMeans(n_clusters=4,n_jobs=4,max_iter=100,random_state=0)
kmodel.fit(zdata)

训练结果

kmodel.labels_

合并训练结果和训练数据

data_cat = pd.concat([data,pd.Series(kmodel.labels_,index=data.index)],axis=1)
data_cat.columns = list(data.columns) + ['类别']
data_cat.head()

按照类别分组统计R、F、M指标的均值

# 按照类别分组统计R、F、M指标的均值
data_cat.groupby(data_cat['类别']).mean()

4. 结论

• 类别0：R、F、M 都很低，属于低价值用户
• 类别1：R、F一般，M很高，属于重要用户
• 类别2：F、M很低，R很高，属于一般用户
• 类别3：R、F、M 都很高，属于超级用户