RFM案例(简要版)

一、会员价值度模型

1、RFM模型介绍

• 会员价值度用来评估用户的价值情况，是区分会员价值的重要模型和参考依据，也是衡量不同营销效果的关键指标之一。

• 价值度模型一般基于交易行为产生，衡量的是有实体转化价值的行为。常用的价值度模型是RFM

• RFM模型是根据会员

  • 最近一次购买时间R（Recency）

  • 购买频率F（Frequency）

  • 购买金额M（Monetary）计算得出RFM得分

  • 通过这3个维度来评估客户的订单活跃价值，常用来做客户分群或价值区分

  • RFM模型基于一个固定时间点来做模型分析，不同时间计算的的RFM结果可能不一样

R	F	M	用户类别
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

2、RFM模型实现过程

设置截止时间节点：选择一个基准日期（如2024-05-01）作为计算Recency的参考点。

获取原始数据集：从会员数据库中提取过去一年内的订单数据，包括会员ID、订单时间和订单金额。

数据预处理：

• Recency：计算每个会员距离截止日期最近的订单时间。5

• Frequency：统计每个会员的订单总次数。5

• Monetary：计算每个会员的订单总金额。5

R、F、M 分区：

• 使用五分位法（1-5分）对R、F、M三个指标进行分区。

• Recency分数越小，得分越高（接近截止日期），Frequency和Monetary则相反。

计算RFM得分：

• 加权得分：根据业务需求赋予R、F、M不同权重并计算总分。

• 组合得分：将R、F、M得分拼接成一个字符串（如312、555）。

导出结果：将RFM得分保存为CSV文件，以便后续分析。

三大类：最优价值 中等价值 低质用户

二、代码实现

1、导入所需的库

import numpy as np
import pandas as pd

2、导入数据

# 导入数据
df_raw = pd.DataFrame(pd.read_excel('./sales.xlsx',index_col='USERID'))

3、缺失值处理

# 缺失值处理
sales_data = df_raw.dropna()  # 丢失带有缺失值NA的行记录
sales_data = sales_data[sales_data['AMOUNTINFO'] > 1]  # 丢弃订单金额<=1的记录 

4、数据转换 (按用户ID去重归总)

# 数据转换 (按用户ID去重归总)
recency_value = sales_data['ORDERDATE'].groupby(sales_data.index).max()  # 计算最近一次订单时间
frequency_value = sales_data['ORDERDATE'].groupby(sales_data.index).count()  # 计算订单频率
monetary_value = sales_data['AMOUNTINFO'].groupby(sales_data.index).sum()  # 计算订单总金额

5、分别计算 R, F, M 得分

# 分别计算 R, F, M 得分
deadline_date = pd.to_datetime("2024-05-01")  # 指定一个时间节点，用来计算其他时间和该时间的距离
r_interval = (deadline_date - recency_value).dt.days  # 计算 R 间隔
r_score = pd.cut(r_interval, 5, labels=[5, 4, 3, 2, 1])  # 计算 R 得分，五分位倒序
f_score = pd.cut(frequency_value, 5, labels=[1, 2, 3, 4, 5])  # 计算 F 得分
m_score = pd.cut(monetary_value, 5, labels=[1, 2, 3, 4, 5])  # 计算 M 得分

6、R, F, M 数据合并

# R, F, M 数据合并
rfm_list = [r_score, f_score, m_score]  # 将 R, F, M 三个维度组成列表
rfm_cols = ['r_score', 'f_score', 'm_score']  # 设置 R, F, M 三个维度的列名
rfm_pd = pd.DataFrame(np.array(rfm_list).transpose(), dtype=np.int32, columns=rfm_cols, index=frequency_value.index)  # 建立 R, F, M 数据框

np.array(rfm_list)

array([[5, 3, 1],  # r_score
             [2, 4, 5],  # f_score
            [4, 5, 3]]) # m_score

np.array(rfm_list).transpose()

array([[5, 2, 4],  # 用户1的 r_score, f_score, m_score
       [3, 4, 5],  # 用户2的 r_score, f_score, m_score
       [1, 5, 3]]) # 用户3的 r_score, f_score, m_score

7、策略1：加权得分 定义用户价值

# 策略1：加权得分 定义用户价值
rfm_pd['rfm_wscore'] = rfm_pd['r_score']*0.2 + rfm_pd['f_score']*0.2 + rfm_pd['m_score']*0.6

根据加权得分 rfm_wscore，你可以将客户划分为不同的群体。划分标准可以根据得分范围来定义，以下是一个常见的划分方式：

• 高价值客户：rfm_wscore 高于某个阈值，例如 4.0 到 5.0。这类客户在最近购买、频率高、消费金额大，属于最重要的客户群体。

• 中等价值客户：rfm_wscore 介于中间范围，例如 2.0 到 4.0。这类客户表现较好，但在某些维度（如频率或金额）可能稍有不足。

• 低价值客户：rfm_wscore 较低，例如低于 2.0。这类客户可能消费金额不高，购买频率低或最近很少购买，通常不是业务的主要目标群体。

8、策略2：RFM组合 直接输出三维度值

# 策略2：RFM组合 直接输出三维度值
rfm_pd_tmp = rfm_pd.copy()
rfm_pd_tmp['r_score'] = rfm_pd_tmp['r_score'].astype('str')
rfm_pd_tmp['f_score'] = rfm_pd_tmp['f_score'].astype('str')
rfm_pd_tmp['m_score'] = rfm_pd_tmp['m_score'].astype('str')
rfm_pd['rfm_comb'] = rfm_pd_tmp['r_score'].str.cat(rfm_pd_tmp['f_score']).str.cat(rfm_pd_tmp['m_score'])

后期划分客户类别

通过 RFM 组合得分，将客户划分为不同的群体。具体群体的划分取决于 RFM 组合得分的含义：

高价值客户：

• R 得分高：客户最近购买。

• F 得分高：客户购买频率高。

• M 得分高：客户消费金额高。

• 例如，RFM 组合是 "555"、"554"、"545" 等。

中价值客户：

• R 得分中等：客户购买时间适中，不是最近但也不是很久之前。

• F 得分中等：客户购买频率一般。

• M 得分中等或较高：客户消费金额中等。

• 例如，RFM 组合是 "343"、"442"、"453" 等。

低价值客户：

• R 得分低：客户很久没有购买。

• F 得分低：客户购买频率低。

• M 得分低或中等：客户消费金额较低。

• 例如，RFM 组合是 "111"、"221"、"132" 等。

9、导出数据

# 导出数据
rfm_pd.to_csv('rfm_result.csv')

最终完整代码：

import numpy as np
import pandas as pd
​
# 导入数据
df_raw = pd.DataFrame(pd.read_excel('./dataset/sales.xlsx',index_col='USERID'))
​
# 缺失值处理
sales_data = df_raw.dropna() # 丢失带有缺失值NA的行记录
sales_data = sales_data[sales_data['AMOUNTINFO'] > 1] # 丢弃订单金额<=1的记录 
​
# 数据转换 (按用户id去重归总)
recency_value = sales_data['ORDERDATE'].groupby(sales_data.index).max() #计算最近一次订单时间
frequency_value = sales_data['ORDERDATE'].groupby(sales_data.index).count() #计算订单频率
monetary_value = sales_data['AMOUNTINFO'].groupby(sales_data.index).sum() #计算订单总金额
​
# 分别计算R,F,M得分
deadline_date = pd.to_datetime("2020-05-01") #指定一个时间节点，用来计算其他时间和改时间的距离
r_interval = (deadline_date - recency_value).dt.days #计算r间隔
r_score = pd.cut(r_interval, 5, labels=[5,4,3,2,1]) # 计算r得分 五分位倒序
f_score = pd.cut(frequency_value, 5, labels=[1,2,3,4,5]) # 计算f得分
m_score = pd.cut(monetary_value, 5, labels=[1,2,3,4,5]) # 计算m得分
​
# R,F,M数据合并
rfm_list = [r_score, f_score, m_score] # 将R,F,M三个维度组成列表
rfm_cols = ['r_score', 'f_score', 'm_score'] # 设置R,F,M三个维度的列名
rfm_pd = pd.DataFrame(np.array(rfm_list).transpose(), dtype=np.int32, columns=rfm_cols, index=frequency_value.index) #建立R,F,M数据框
​
#策略1：加权得分 定义用户价值
rfm_pd['rfm_wscore'] = rfm_pd['r_score']*0.2 + rfm_pd['f_score']*0.2 + rfm_pd['m_score']*0.6
​
#策略2：RFM组合 直接输出三维度值
rfm_pd_tmp = rfm_pd.copy()
rfm_pd_tmp['r_score'] = rfm_pd_tmp['r_score'].astype('str')
rfm_pd_tmp['f_score'] = rfm_pd_tmp['f_score'].astype('str')
rfm_pd_tmp['m_score'] = rfm_pd_tmp['m_score'].astype('str')
rfm_pd['rfm_comb'] = rfm_pd_tmp['r_score'].str.cat(rfm_pd_tmp['f_score']).str.cat(rfm_pd_tmp['m_score'])
​
# 导出数据
rfm_pd.to_csv('rfm_result.csv')

三、图形可视化

1、柱形图

import matplotlib.pyplot as plt
​
# 根据加权得分划分客户群体
bins = [0, 2, 4, 5]  # 自定义分层阈值
labels = ['Low', 'Medium', 'High']  # 分层标签
rfm_pd['Customer Segment'] = pd.cut(rfm_pd['rfm_wscore'], bins=bins, labels=labels)
​
# 绘制柱状图
rfm_pd['Customer Segment'].value_counts().plot(kind='bar', color=['red', 'orange', 'green'])
plt.title('Customer Segments based on RFM Score')
plt.xlabel('Segment')
plt.ylabel('Number of Customers')
plt.show()

区间 [0, 2) 表示从 0 开始到 2 之前，0 包含在内，而 2 不包含在内。

区间 [2, 4) 表示从 2 开始到 4 之前，2 包含在内，而 4 不包含在内。

区间 [4, 5] 表示从 4 开始到 5 结束，4 和 5 都包含在内。

2、饼状图

import matplotlib.pyplot as plt

# 根据加权得分划分客户群体
bins = [0, 2, 4, 5]  # 自定义分层阈值
labels = ['Low', 'Medium', 'High']  # 分层标签
rfm_pd['Customer Segment'] = pd.cut(rfm_pd['rfm_wscore'], bins=bins, labels=labels)

# 绘制饼状图
rfm_pd['Customer Segment'].value_counts().plot(kind='pie', 
                                               colors=['red', 'orange', 'green'],
                                               autopct='%1.1f%%',  # 显示百分比
                                               startangle=90,      # 旋转起始角度
                                               counterclock=False) # 顺时针方向
plt.title('Customer Segments based on RFM Score')
plt.ylabel('')  # 隐藏Y轴标签
plt.show()