超市RFM用户分层实战案例源码和数据集分享

最新推荐文章于 2024-05-20 10:01:42 发布
最新推荐文章于 2024-05-20 10:01:42 发布
阅读量2.2k 收藏 12
点赞数 4
分类专栏： 大数据 python 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42907061/article/details/119243802
版权

之前我就已经做过B站相关的推荐了这里我就不废话了直接上代码，RFM都不知道是啥东西的多去看看其他博主写的

本次数据集获取方式：
关注：YOLO的学习进阶日常
回复：RFM用户分层实战案例

RFM模型

Recency、Frequency、Monetary Value (RFM) 的概念可以追溯到 Jan Roelf Bult 和 Tom Wansbeek 的文章“直接邮件的最佳选择”，该文章发表在 1995 年的营销科学杂志上。RFM 分析通常支持“80% 的业务来自 20% 的客户”的营销格言

1. RFM是什么？

请添加图片描述

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，最重要的功能就是用来进行用户分群这三个要素构成了数据分析最好的指标：

  • 最近一次消费(Recency)：客户最近多久进行一次购买，上一次消费离得越近，R值越小，用户价值越高
  • 消费频率(Frequency)：客户购买的频率，购买频率越高，F值越大，客户价值越高
  • 消费金额(Monetary)：客户在购买上花了多少钱，消费金额越高，M值越大，用户价值越高

根据这三个指标，我们可以把指标按照价值从低到高排序，并把这三个指标作为XYZ坐标轴，就可以把空间分为8部份

请添加图片描述

不同用户分类的运营策略
在这里插入图片描述

2. RFM有什么用？

金融行业、零售行业、电信行业等经常要对用户进行划分，以标记不同的标签，从而进行个性化的精准化营销行为。RFM模型，是以用户的实际交易或消费或购买或充值等（以下统称“交易”）一系列行为数据作为基础，从而进行用户群体的划分的，简单而又具有实际价值。可以看到客户满意度，实现精准营销，调整战略等。根据企业智库《2017中国会员经济数据报告》数据显示如下

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LsC9CXCc-1627628121233)(C:\Users\Dasiy\AppData\Roaming\Typora\typora-user-images\image-20210730144936660.png)]

3. RFM如何用？

我们一般使用RFM来计算用户价值度，有两种建模方式：

  1. 打分制度：根据自己的业务来调整打分制度
  2. 基于RFM以及K-Means算法的用户价值度分析

案例：

下面通过构建RFM模型对超市订单用户数据集进行分层，以实现精准营销

导入数据

import pandas as  pd
import numpy as np
data=pd.read_csv("./supermarket_data.csv",encoding="gbk")
data.head()
客户名称付款日期国家/地区 (Country)地区类别销售额数量
0Aaron Bergman2014/11/11美国美国中部技术221.981
1Justin Ritter2014/2/5澳大利亚大洋洲家具3709.401
2Craig Reiter2014/10/17澳大利亚大洋洲技术5175.171
3Katherine Murray2014/1/28德国西欧技术2892.511
4Rick Hansen2014/11/5塞内加尔西非技术2832.961

数据描述

data.info()

 #   Column           Non-Null Count  Dtype  
---  ------           --------------  -----  
 0   客户名称             45693 non-null  object 
 1   付款日期             45693 non-null  object 
 2   国家/地区 (Country)  45693 non-null  object 
 3   地区               45693 non-null  object 
 4   类别               45693 non-null  object 
 5   销售额              45693 non-null  float64
 6   数量               45693 non-null  int64  
dtypes: float64(1), int64(1), object(5)
memory usage: 2.4+ MB

R的计算

R=data.groupby("客户名称")["付款日期"].max().reset_index()
# 计算最近一次付款时间截至到2015.12.31日间隔天数,一般就是一个年度来计算一次
R['R']=(pd.to_datetime('2015-12-31')-pd.to_datetime(R["付款日期"])).dt.days
R=R[['客户名称','R']]
R
客户名称R
0Aaron Bergman113
1Aaron Hawkins118
2Aaron Smayling117
3Adam Bellavance105
4Adam Hart96
.........
791Xylona Preis130
792Yana Sorensen125
793Yoseph Carroll99
794Zuschuss Carroll110
795Zuschuss Donatelli211

796 rows × 2 columns

F的计算

data['FZ']=data['付款日期']
dup_f=data.groupby(['客户名称','付款日期'])['FZ'].count().reset_index()
f=data.groupby("客户名称")['付款日期'].count().reset_index()
f.columns=['客户名称','F']
f
客户名称F
0Aaron Bergman87
1Aaron Hawkins55
2Aaron Smayling53
3Adam Bellavance55
4Adam Hart64
.........
791Xylona Preis56
792Yana Sorensen61
793Yoseph Carroll51
794Zuschuss Carroll75
795Zuschuss Donatelli48

796 rows × 2 columns

计算M值

m=data.groupby('客户名称')['销售额'].sum().reset_index()
m.columns=['客户名称','总支付金额']
fm=pd.merge(m,f,left_on='客户名称',right_on='客户名称',how='inner')
fm['M']=fm['总支付金额']/fm['F']
fm=fm[['客户名称','F','M']]
fm
客户名称FM
0Aaron Bergman87274.515862
1Aaron Hawkins55348.524909
2Aaron Smayling53193.015660
3Adam Bellavance55281.993818
4Adam Hart64259.273594
............
791Xylona Preis56210.724821
792Yana Sorensen61312.006721
793Yoseph Carroll51363.586275
794Zuschuss Carroll75342.939733
795Zuschuss Donatelli48236.603125

796 rows × 3 columns

RFM合并

rfm=pd.merge(R,fm,left_on='客户名称',right_on='客户名称',how='inner')
rfm
客户名称RFM
0Aaron Bergman11387274.515862
1Aaron Hawkins11855348.524909
2Aaron Smayling11753193.015660
3Adam Bellavance10555281.993818
4Adam Hart9664259.273594
...............
791Xylona Preis13056210.724821
792Yana Sorensen12561312.006721
793Yoseph Carroll9951363.586275
794Zuschuss Carroll11075342.939733
795Zuschuss Donatelli21148236.603125

796 rows × 4 columns

打分

基于以上的RFM，我们要对每个用户的RFM进行打分，这里的打分用的是五分值（根据自己场景的不同，打分制度也不同）

rfm['R-SCORE'] = pd.cut(rfm['R'],bins = [0,30,60,90,120,float('inf')],labels = [5,4,3,2,1],right = False).astype(float)
rfm['F-SCORE'] = pd.cut(rfm['F'],bins = [0,23,40,57,74,float('inf')],labels = [1,2,3,4,5],right = False).astype(float)
rfm['M-SCORE'] = pd.cut(rfm['M'],bins = [0,180,240,300,360,float('inf')],labels = [1,2,3,4,5],right = False).astype(float)
rfm
客户名称RFMR-SCOREF-SCOREM-SCORE
0Aaron Bergman11387274.5158622.05.03.0
1Aaron Hawkins11855348.5249092.03.04.0
2Aaron Smayling11753193.0156602.03.02.0
3Adam Bellavance10555281.9938182.03.03.0
4Adam Hart9664259.2735942.04.03.0
........................
791Xylona Preis13056210.7248211.03.02.0
792Yana Sorensen12561312.0067211.04.04.0
793Yoseph Carroll9951363.5862752.03.05.0
794Zuschuss Carroll11075342.9397332.05.04.0
795Zuschuss Donatelli21148236.6031251.03.02.0

796 rows × 7 columns

rfm['R是否大于均值'] = (rfm['R-SCORE'] > rfm['R-SCORE'].mean()) * 1
rfm['F是否大于均值'] = (rfm['F-SCORE'] > rfm['F-SCORE'].mean()) * 1
rfm['M是否大于均值'] = (rfm['M-SCORE'] > rfm['M-SCORE'].mean()) * 1
rfm.head()
客户名称RFMR-SCOREF-SCOREM-SCORER是否大于均值F是否大于均值M是否大于均值
0Aaron Bergman11387274.5158622.05.03.0111
1Aaron Hawkins11855348.5249092.03.04.0101
2Aaron Smayling11753193.0156602.03.02.0100
3Adam Bellavance10555281.9938182.03.03.0101
4Adam Hart9664259.2735942.04.03.0111
rfm['标签'] = (rfm['R是否大于均值'] * 100) + (rfm['F是否大于均值'] * 10) + (rfm['M是否大于均值'] * 1)
rfm.head()
客户名称RFMR-SCOREF-SCOREM-SCORER是否大于均值F是否大于均值M是否大于均值标签
0Aaron Bergman11387274.5158622.05.03.0111111
1Aaron Hawkins11855348.5249092.03.04.0101101
2Aaron Smayling11753193.0156602.03.02.0100100
3Adam Bellavance10555281.9938182.03.03.0101101
4Adam Hart9664259.2735942.04.03.0111111
def transform_label(x):
    if x == 111:
        label = '重要价值客户'
    elif x == 110:
        label = '一般价值客户'
    elif x == 101:
        label = '重要发展客户'
    elif x == 100:
        label = '一般发展客户'
    elif x == 11:
        label = '重要保持客户'
    elif x == 10:
        label = '一般保持客户'
    elif x == 1:
        label = '重要挽留客户'
    elif x == 0:
        label = '一般挽留客户'
    return label

rfm['客户类型'] = rfm['标签'].apply(transform_label)
rfm.head()
客户名称RFMR-SCOREF-SCOREM-SCORER是否大于均值F是否大于均值M是否大于均值标签客户类型
0Aaron Bergman11387274.5158622.05.03.0111111重要价值客户
1Aaron Hawkins11855348.5249092.03.04.0101101重要发展客户
2Aaron Smayling11753193.0156602.03.02.0100100一般发展客户
3Adam Bellavance10555281.9938182.03.03.0101101重要发展客户
4Adam Hart9664259.2735942.04.03.0111111重要价值客户
count = rfm['客户类型'].value_counts().reset_index()
count.columns = ['客户类型','人数']
count['占比'] = round(count['人数'] / count['人数'].sum(),2)
count
客户类型人数占比
0重要价值客户1530.19
1一般发展客户1480.19
2一般价值客户1330.17
3重要发展客户1150.14
4重要挽留客户720.09
5一般挽留客户660.08
6一般保持客户570.07
7重要保持客户520.07
from pyecharts import options as opts
from pyecharts.charts import Bar
from pyecharts.commons.utils import JsCode
from pyecharts.globals import ThemeType
from  pyecharts.charts import  Line
from  pyecharts.charts import  *
columns = count['客户类型'].tolist()
data1 = count['人数'].tolist()
data2=count['占比'].tolist()
bar = (
    Bar()
    .add_xaxis(columns)
    .add_yaxis(
        "人数", 
        data1,
        label_opts=opts.LabelOpts(is_show=False))
    .set_global_opts(
        title_opts=opts.TitleOpts(title="RFM用户分类结果"))
    .extend_axis(
        yaxis=opts.AxisOpts(
            type_="value",
            min_=0.01,
            max_=0.21,
            interval=.03,
            axislabel_opts=opts.LabelOpts(formatter="{value}"),
        )
    )
)
line=(
    Line()
    .add_xaxis(xaxis_data=columns)
    .add_yaxis(
        series_name="占比",
        yaxis_index=1,
        y_axis=data2
    )
)

all=bar.overlap(line)

aa=Grid(
        init_opts=opts.InitOpts(
        width="1500px",  
        height='650px',
#         theme=ThemeType.PURPLE_PASSION,
))
aa.add(all,
       grid_opts=opts.GridOpts(
       pos_top="20%",
       pos_left="5%",
       pos_right="40%",
       ),
       is_control_axis_index=True 
       )
aa.render()

在这里插入图片描述

我们也直接做了一个脚本只要你输入你的数据直接给你生成图表，需要的话可以关注我！私信我（不过需要收费）大概长这样：
在这里插入图片描述
在这里插入图片描述

叶faner～
关注
  • 4
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
基于购买行为数据对超市顾客进行市场细分（RFM模型）
sybh的博客
06-09 1462
RFM是一种对用户质量进行聚类的模型，对应于三个指标R(Recency)：用户最近一次消费的时间间隔，衡量用户是否存在流失可能性 F(Frequency) ：用户最近一段时间内累计消费频次，衡量用户的粘性 M（Money)： 用户最近一段时间内累计消费金额，衡量用户的消费能力和忠诚度 本次采用3个指标综合判定聚类质量，CH，轮廓系数和inertia分数，第1和第3均是越大越好，轮廓系数是越接近于1越好，综合来看，聚为4类效果比较好..............................
基于RFM模型对借贷App用户分层分析案例
12-21
在RFM模型的基础上，增加了注册使用App天数这一指标用于客户分群与价值分析，得到本次的LRFM模型，变量解释如下： L：注册使用APP天数。客户注册日期至观测结束日期的间隔。 R：距今还款未复贷天数。客户最近的成功...
Supermarket 超市-数据集
03-09
城市超市的增长正在增加，市场竞争也很高。该数据集是超市公司的历史销售之一，在 3 个不同的分支机构记录了 3 个月的数据。预测数据分析方法很容易与此数据集一起应用。 supermarket.xls
创建Supermarket数据库并查询商品信息
缘 源 园
03-26 1158
create database Supermakat on primary ( name='sp', filename='D:\sp.mdf', size=3MB, maxsize=unlimited, filegrowth=1MB ) log on ( name='sp_log', filename='D:\sp_log.ldf', size=1MB, maxsize=unlimited, filegrowth=10% ) use Supermakat create tabl.
推荐开源项目：RF 商城 3.0 - 助力你的电子商务之旅
最新发布
gitblog_00022的博客
05-20 410
推荐开源项目：RF 商城 3.0 - 助力你的电子商务之旅 项目地址:https://gitcode.com/jianyan74/TinyShop 项目介绍 RF 商城 3.0 是一个基于 RageFrame3 框架构建的免费开源电子商务平台。它提供了基础销售功能，包括前端的 uni-app 实现，可以一键部署到多个平台。无论是 H5 页面还是小程序，RF 商城都能轻松应对，让你的业务无处不在。 ...
Apriori算法及超市数据集挖掘实战
银晗的学习博客
09-11 3104
Apriori算法详细解释 ，完整美国超市数据集的商品挖掘案例，附完整代码！
【数据分析与挖掘】天猫超市复购预测实战(含代码和数据集)
m0_49263811的博客
12-09 2万+
一.背景 商家有时会在特定日期，例如Boxing-day，黑色星期五或是双十一（11月11日）开展大型促销活动或者发放优惠券以吸引消费者，然而很多被吸引来的买家都是一次性消费者，这些促销活动可能对销售业绩的增长并没有长远帮助，因此为解决这个问题，商家需要识别出哪类消费者可以转化为重复购买者。通过对这些潜在的忠诚客户进行定位，商家可以大大降低促销成本，提高投资回报率（Return on Investment, ROI）。众所周知的是，在线投放广告时精准定位客户是件比较难的事情，尤其是针对新消费者的定位。不过，
RFM模型
kuailerenzha的博客
07-22 471
1.什么是RFM模型RFM是一个比较原生的客户价值分群模型，是通过在某段时间内一个客户的最近的消费时间、总体购买频率、购买总金额这三个维度来描述该客户价值状况的客户分类模型。2.三个维度最近一次消费距离(Recency)：这个值越小对我们来说价值越大某段时间内消费次数 (Frequency)：这个值越大越好某段时间内消费总金额 (Monetary)：这个值越大越好3.客户价值分类标签RFM价值分类111重要价值客户011重要保持客户101重要发展客户001。
Python实现实用的RFM用户分层模型源码
03-20
使用pandas中的read_sql读取sqlite中的数据，dropna删除含有缺失数据的行，计算距离用户上次消费所过去的天数、消费频次、消费总金额、用户消费数据分位数。将消费数据划分不同的区间，打上不同的标签，统计各个用户...
RFM分析数据集.rar
12-30
RFM分析是营销领域中一种常用的数据分析方法，它通过...- 示例分析或案例研究，展示如何使用这个数据集进行RFM分析 通过深入挖掘这个数据集，我们可以获得有价值的洞察，帮助企业制定更有效的客户关系管理和营销策略。
数据集《使用机器学习进行客户终身价值和RFM模型分析》
10-16
数据集《使用机器学习进行客户终身价值和RFM模型分析》是针对企业客户管理与用户运营的一个重要资源，它结合了数据分析和机器学习技术，帮助企业和分析师更好地理解并预测客户的消费行为，从而优化营销策略，提升...
RF官方源代码+引擎4
11-16
RF官方源代码+引擎4RF官方源代码+引擎4RF官方源代码+引擎4RF官方源代码+引擎4
超市运营数据.csv
06-27
超市运营数据.csv
rfm-analysis-and-customer-classification
04-10
RFM分析和客户分类 任务1：数据质量评估 任务2：数据洞察力：数据探索，模型开发和模型解释 任务3：仪表板 ！（仪表板）[ ]
机器学习 数据集
01-04
很好的数据集，可以用来训练的数据。适合正在学习机器学习的筒子们
Supermarket sales 超市销售-数据集
03-09
城市超市的增长正在增加，市场竞争也很高。该数据集是超市公司的历史销售之一，在 3 个不同的分支机构记录了 3 个月的数据。预测数据分析方法很容易与此数据集一起应用。 supermarket_sales - Sheet1.csv
RFM淘宝建模数据集免费版
03-27
RFM淘宝数据集
kaggle实战：基于超市消费数据的用户个性化分析案例
m0_59596937的博客
12-10 2054
大家好，今天给大家分享一篇 kaggle 数据集的新文章：基于一份超市消费数据集的以及的实现。
数据分析实战 - 超市销售数据分析，csv输入输出（附带样本集）
热门推荐
爱意随风起，风止意难平
04-29 2万+
使用python读取表格数据，处理数据，分析数据，可视化展示
电商用户大数据分析实际案例和代码RFM模型
06-06
RFM模型是电商用户大数据分析中常用的一种模型，用于衡量用户价值和忠诚度。RFM模型包括三个指标： R (Recency)：最近一次购买时间距离当前时间的天数，表示用户的活跃度。 F (Frequency)：用户购买的次数，表示用户的忠诚度。 M (Monetary)：用户购买的总金额，表示用户的价值。 以下是一个电商平台的用户RFM模型分析案例和对应的 SQL 语句： 1. 计算每个用户的R、F、M值 ```sql SELECT user_id, DATEDIFF(NOW(), MAX(purchase_time)) AS R, COUNT(*) AS F, SUM(amount) AS M FROM purchase_table GROUP BY user_id; ``` 2. 对R、F、M值进行分组，并计算每个组的平均值和标准差 ```sql SELECT CASE WHEN R < 30 THEN '1. 0-30' WHEN R < 60 THEN '2. 31-60' WHEN R < 90 THEN '3. 61-90' ELSE '4. 91+' END AS R_Group, CASE WHEN F < 2 THEN '1. 1-2' WHEN F < 4 THEN '2. 3-4' WHEN F < 6 THEN '3. 5-6' ELSE '4. 7+' END AS F_Group, CASE WHEN M < 100 THEN '1. 0-100' WHEN M < 200 THEN '2. 101-200' WHEN M < 500 THEN '3. 201-500' ELSE '4. 501+' END AS M_Group, COUNT(*) AS user_count, AVG(R) AS avg_R, AVG(F) AS avg_F, AVG(M) AS avg_M, STDDEV(R) AS std_R, STDDEV(F) AS std_F, STDDEV(M) AS std_M FROM (SELECT user_id, DATEDIFF(NOW(), MAX(purchase_time)) AS R, COUNT(*) AS F, SUM(amount) AS M FROM purchase_table GROUP BY user_id) AS RFM GROUP BY R_Group, F_Group, M_Group; ``` 这里的 R_Group、F_Group、M_Group 分别代表 R、F、M 指标的分组，分别将用户的 R、F、M 值分成四组，分别是 0-30、31-60、61-90、91+ 天，1-2、3-4、5-6、7+ 次，0-100、101-200、201-500、501+ 元。可以根据实际业务场景进行适当调整。 通过RFM模型的分析，可以对用户进行分类，进而制定更有针对性的营销策略，提高用户忠诚度和购买频率，从而提高电商平台的销售额。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值