RFM用户分层模型｜原理+Python全流程实现

RFM 模型

在数据分析中经常会进行用户分层，本文我们来了解一下常见的用户分层模型RFM。

RFM概念

RFM是由R(Recency)、F (Frequency)、 M(Monetary) 三个维度构成的，其具体含义如下：

• R：最近一次消费时间间隔

• F：消费频率

• M：消费金额

这里对于这三个维度的概念简单的做一个说明：

• R：当前日期为3.25日，上一次消费日期3月20日，消费时间间隔为5天。
• F：一年内去某商场消费100次，消费频率为100次。
• M：一年内去某商场消费总额为1W元，消费金额为1W元。

RFM分层方式

一般情况下，在具体分层的时候，我们可以从RFM三个不同的维度进行高或低的评分，最终得到8种不同的结果（2*2*2=8），不同组合对应的分层类型如下表所示：

R（时间间隔）	F（消费频率）	M（消费金额）	分层结果
高	高	高	重要价值用户
高	低	高	重要发展用户
低	高	高	重要保持用户
低	低	高	重要挽留用户
高	高	低	一般价值用户
高	低	低	一般发展用户
低	高	低	一般保持用户
低	低	低	一般挽留用户

根据结果我们不难看到RFM分层的内容主要是由不同维度评分的高低决定的，接下来我们再来拆解一下评分的高低是如何划分的。

对于评分首先我们要思考几个问题：

1. 消费时间间隔越长评分应该高还是低？
2. 消费频率越高评分应该是高还是低？
3. 消费金额越大评分应该是高还是低？

弄清楚了这三个问题之后，我们再来思考评分是如何得到的。在进行RFM不同维度评分的时候根据不同的业务具有不同的业务评分表，示例如下所示（如何进行评分表的设计后文会说明）：

打分	消费间隔（R）（天）	消费频率 （F） （次）	消费金额（M） （元）
1	[20,inf]	[0,2]	[0,1000]
2	[11,20]	[3,5]	[1001,1500]
3	[6,10]	[6,8]	[1501,3000]
4	[4,5]	[9,16]	[3001,5000]
5	[0,3]	[16,inf]	[5000,inf]

根据上表所示的评分表我们将所有用户的数据进行对照打分即可，示例如下：

用户ID	消费间隔（R）	消费频率（F）	消费金额（M）	R值打分	F值打分	M值打分
1	5	2	6500	4	1	5
2	3	10	1700	5	4	3
3	2	7	2600	5	3	3

得到了每个用户对应的打分之后，我们还需要有一个标准进行对照，超出这个标准的就记为高分，低于则记为低分即可，通常情况下我们会选择所有用户打分的均值作为对照标准，计算RFM三个维度评分的均值结果为：

• R：4.67
• F：2.67
• M：3.67

接下来我们接可以讲上述对于每个用户的打分与这个标准进行对比，得到每个用户最终的RFM评分和结果：

用户ID	R	F	M	分层结果
1	低	低	高	重要挽留用户
2	高	高	低	一般价值用户
3	高	高	低	一般价值用户

RFM评分表设计

当没有具体的业务规定时，我们可以使用如下的方法进行评分表的设计。

假设一共有10000个用户，用M（消费金额）维度举例，我们首先将所有人的消费金额进行排序，然后按照人数将整体等分成5个连续的区间，区间的评分分别对应[1,2,3,4,5]即可。

RFM策略

了解完了RFM的概念与分层方式，我们再来了解一下RFM分层后的实际应用，根据分层结果，通常我们会对重要的用户进行运营，策略如下：

• 重要价值用户：保持长期联系与重点关注
• 重要保持用户：发放小额优惠券，吸引用户回流
• 重要发展客户：促导用户办理会员卡，积分卡
• 重要挽留客户：发放大额优惠券，吸引用户回流

RFM分层Python实现

创建虚拟数据

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings("ignore")

# 随机创建用户数据
df = pd.DataFrame({
    '用户ID': np.arange(1, 10001),
    '时间间隔': np.random.randint(1, 10, 10000),
    '消费频次': np.random.randint(1, 100, 10000),
    '消费金额': np.random.randint(1000, 10000, 10000),
})

构建评分规则区间

def score_list(data):
    re = list(data.values)
    re.sort()
    return re[2000:10000:2000]

r_score = score_list(df['时间间隔'])
f_score = score_list(df['消费频次'])
m_score = score_list(df['消费金额'])
  

根据评分规则进行打分

def func1(x, score):
    if x <= score[0]:
        return 1
    elif score[0] < x <= score[1]:
        return 2
    elif score[1] < x <= score[2]:
        return 3
    elif score[2] < x <= score[3]:
        return 4
    else:
        return 5


df['R'] = df['时间间隔'].apply(func1, score=r_score)
df['F'] = df['消费频次'].apply(func1, score=f_score)
df['M'] = df['消费金额'].apply(func1, score=m_score)

区分打分的高低

R_avg = df['R'].mean()
F_avg = df['F'].mean()
M_avg = df['M'].mean()

def score(x,avg):
    if x > avg:
        return 1
    else:
        return 0

df['R_S'] = df['R'].apply(score,avg=R_avg)
df['F_S'] = df['F'].apply(score,avg=F_avg)
df['M_S'] = df['M'].apply(score,avg=M_avg)

# R的逻辑和F/M相反，进行倒置
def rev_r(x):
    if x == 1:
        return 0
    else:
        return 1
df['R_S'] = df['R_S'].apply(rev_r)

进行RFM映射

def get_sum_value(series):
    return ''.join([str(i) for i in series.values.tolist()])


# 添加RFM字符串列
df['data_rfm'] = df[['R_S','F_S','M_S']].apply(get_sum_value, axis=1)

dic = {
    '111': '重要价值客户',
    '011': '重要保持客户',
    '001': '重要挽留客户',
    '101': '重要发展客户',
    '010': '一般保持客户',
    '110': '一般价值客户',
    '000': '一般挽留客户',
    '100': '一般发展客户'
}
# RFM字符串数据映射成对应类型文字
df['data_rfm_re'] = df['data_rfm'].map(dic)

结果示例如下