用户价值判断

最新推荐文章于 2024-07-25 00:08:05 发布

weixin_33817333

最新推荐文章于 2024-07-25 00:08:05 发布

阅读量195

点赞数

文章标签： python 数据结构与算法

原文链接：https://my.oschina.net/u/1866459/blog/377213

版权

2019独角兽企业重金招聘Python工程师标准>>>

Step1: 确定权重。

认为R、F、M 三要素对用户行为差异的反映是同等重要的。因此选择RFM 的权重为1: 1: 1。

Step2: 归一化。

R、F、M单位不同，数值上存在巨大的差异，因此要对RFM 分别进行归一化处理。

F 越大说明用户购买次数越高，M越大说明用户订购金额越大，F，M越大说明用户价值越高。R 代表用户上一次订购的时刻与研究时刻之间的时间间隔，这时间间隔越小，说明用户在这一段时间内的用户价值越高。因此，F 与M 与用户稳定程度正相关，而R 与用户稳定程度负相关，归一化时应区别处理。归一化后的数值越高，用户价值越高。

归一化方法：min-max标准化（Min-Max Normalization）

也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0，1]之间。转换函数如下：

F 、M ： X’ = ( X - X_min) / ( X_max- X_min) ——X越大，X’越大

R： X’ = ( X_max- X) / ( X_max- X_min) ——X越小，X’越大

Step3: 聚类。

采用K 均值算法进行聚类。使用K-均值聚类法时，需要预先判断其聚类的类别数。本模型中客户分类通过每个顾客类别RFM平均值与总RFM平均值相比较来决定的，而单个指标的比较只能有两种情况：大于(等于)或小于平均值，因此可能有2 ×2 ×2 = 8种类别。标准化和确定聚类类别数后，进行聚类分析，得到8 类客户。

Step4: 划分用户所处等级。

即划分用户得分，得到每类用户的类型，以便定性分析用户忠诚度。

将R，F，M 分别按照归一化后的数值，由高到低排序，并均分为5 个等级，数值最高的等级得分为5，最低等级得分为1。最后得出每类用户的3 个元素分别所处的等级，得到3 个分数的组合。例如，第i 个用户，其元素R 平均值较大，得分为5，元素F 得分为3，元素M 得分为2，那么第i 个用户的类型为( 5，3，2) 型。

Step5: 划分用户类型。

将8 类客户的RFM平均值与总RFM均值比较，如果单个客户类别的均值大于总均值，则给该指标一个向上的箭头“↑”标记，反之则用“↓”。样本2中的比较情况如下。

类别	数量	R均值	F均值	M均值	比较情况	客户类型	用户价值
1	1	80.00	1.00	299.00	↓↓↑	重要发展客户	较高
2	1	80.00	54.00	308.00	↓↑↑	重要保持客户	高
3	218	83.29	2.76	26.36	↑↑↑	重要挽留客户	较高
4	134	83.22	2.74	26.23	↓↓↓	新客户：重要发展客户老客户：无价值客户	新：较高老：低
5	111	83.26	2.76	26.26	↑↑↓	一般客户	一般
6	24	83.18	2.78	26.40	↓↑↑	重要保持客户	高
7	7	83.57	3.03	28.88	↑↑↑	重要挽留客户	高
8	4	83.53	2.98	28.10	↑↑↑	重要挽留客户	高
总均值	83.246	2.758	26.286