大数据挖掘型标签RFM/RFE/PSM

最新推荐文章于 2024-08-22 00:53:33 发布
最新推荐文章于 2024-08-22 00:53:33 发布
阅读量1.3k 收藏 4
点赞数
分类专栏： 大数据小白必看 spark 大数据 文章标签： 大数据挖掘型标签 RFE RFM PSM
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/weixin_37450409/article/details/107092902
版权
本文介绍了大数据挖掘中的用户价值模型，包括RFM（最近一次消费、消费频率、消费金额）、RFE（用户活跃度）和PSM（价格敏感度模型）。通过K-Means算法进行用户分群，并探讨了K-Means的优缺点以及libSVM数据格式。同时，文章提到了RFM模型用于确定活动发送对象，RFE衡量非购买用户的活跃度，而PSM则用于理解消费者的价位敏感区间。
摘要由CSDN通过智能技术生成

挖掘标签KMeans

  1. 监督学习 对目标有期望值(目标值)
  2. 无监督学习 对目标没有对应的期望值(目标值)
  3. 半监督学习 对目标有部分的期望值(目标值)
  4. 强化学习 目标不断与外界交互获得反馈,决定自身的行为 ps 阿尔法狗

  • 用户价值模型-RFM

    XXX网店，6-18期间得活动到底发给谁？？？？

    例如有50w历史用户，如何对用户分群？？？

    使用RFM模型对用户分群

    RFM是

    Rencency（最近一次消费）---- 最后一次得消费得时间

    Frequency（消费频率） ---- 消费次数（半年内/一年内/所有）

    Monetary（消费金额） ---- 消费金额（半年内/一年内/所有）

在这里插入图片描述
R（日期） F（次数） M（人民币）

张三 2020-06-15 100 56550 李四 2020-03-19 30 55660

以上数据量纲（相当于单位）不相同，无法直接进行计算。

需要将去转换为相同量纲得数据，才能计算

R（日期）

今日日期2020年06月19日

认为设立一个规则

1-5天内à5分 6-10天内à4分 11-20天内à3分 21-30天内à2分 31天内+à1分【业务部门确定】

张三 4 à 5分（2020-06-15）

李四 90 à 1分（2020-03-19）

F（次数）

≥200次=5分，150-199次=4分，100-149次=3分，50-99次=2分，1-49次=1分【业务部门确定】

张三 3分（100）

李四 1分（30）

M（人民币）

≥20w=5分，10-19w=4分，5-9w=3分，1-4w=2分，<1w=1分 【业务部门确定】

张三 3分（56550）

李四 3分（55660）

-----------------------------------------------

张三 5分 3分 3分 1 高价值

李四 1分 1分 3分 0 低价值

王五 4分 4分 3分 1 高价值

-----------------------------------------------

数据归
最低0.47元/天 解锁文章
溪水流长
关注
专栏目录
用户画像挖掘型标签（RFM,RFE,PSM,USG）
weixin_45793819的博客
07-05 1190
统计用户价值标签 import org.apache.spark.ml.clustering.{KMeans, KMeansModel} import org.apache.spark.ml.feature.VectorAssembler import org.apache.spark.sql.{DataFrame, SparkSession, functions} import scala.collection.immutable /* 此代码用于计算 用户价值模型 R 代表最近一次消费 F
RFM RFE
weixin_48365923的博客
03-19 650
会员价值度模型RFM 1，定义 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， 通过这三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。该模型常用于电子商务（即交易类）企业的会员分析。 基本实现过程： 步骤1 设置要做计算时的截止时间节点（例如2017-5-30），用来做基于该时间的数据选取和计算。 步骤2 在会员数据库中，以今天为时间界限向前推固定周期（例如1年），得到包含每个会员的会员ID、订单时
【摸鱼笔记】RFE模型自动判定数据产品价值
the_singing_towers的博客
06-28 1003
使用RFE用户活跃度模型，便可通过使用人数及使用深度（热度）这一视角，衡量报表项目、API项目等产品的价值，从而较为客观地、自动地决定设计和开发地优先级。
挖掘类标签开发案例_.mp4
09-03
挖掘类标签即算法类标签，需要用算法挖掘用户相关特征。 挖掘类标签开发环节包括：①用户行为特征工程开发、②算法调优、③上线工程化调度等环节，开发周期较长。
数据产品-规则型和挖掘型标签构建案例
古月_MonBir
09-10 1576
数据产品经理在构建数据标签的过程中，最为常见的是构建统计性的标签，其很大原因是统计型标签的可解释型比较强，开发周期很短，容易根据业务需要进行调整。而对于规则型和挖掘型标签，其构建周期较长，而且可解释性较差，很难真正定义一个挖掘型标签是绝对的可应用型。但作为数据产品经理，需要知晓这两种类型标签的构建过程，也需要了解一些统计学理论和算法理论，才能够在需要之时构建对应的标签 一、规则型-用户生命周期分组 1、背景说明 通过生命周期的判定，对不同阶段用户采取不同运营手段，结合后续用户中心的流失预警建立，减少用户.
【用户画像】Redis_Jedis测试、将人群包存放到Redis中、挖掘类标签处理过程、决策树、用SparkMLLib实现决策树
weixin_43923463的博客
11-21 804
需要识别哪些是连续值特征，哪些是离散值特征，具体判断标准：底层会设置一个阈值，高于阈值判断为连续值，否则为离散值，即小于等于。挖掘类标签需要用算法挖掘用户的相关特征，比如：性别预测、年龄预测、 用户流失预测、风险欺诈预测。主要是对数据的初步的清洗加工，这个过程一般可以在数仓中完成，然后在数仓中稍微的添加一些操作。”，比如抽选出来的这些用户特征，那这些用户到底是不是流失的，要标记出来，用于机器学习。把模型投放到实际的标签生产中去观察，比如预测流失的用户，一段时间是否真的会流失。观察两组人的变化效果。
用户画像 - 挖掘标签
架构师老狼
06-19 1274
RFM 用户价值模型 1 需求 假设我是一个市场营销者, 在做一次活动之前, 我可能会思考如下问题 谁是我比较有价值的客户? 谁是比较有潜力成为有价值的客户? 谁快要流失了? 谁能够留下来? 谁会关心这次活动? 其实上面这些思考, 都围绕一个主题 价值 RFM 是一个最常见的用来评估价值的和潜在价值的工具 2 RFM 是什么RFM 通过最后一次消费距今时间, 单位时间内的消费频率, 平均消费金额来评估一个人对公司的价值, 可以理解为 RFM 是一个集成的值, 如下RFM = Rencency(最后一
数据挖掘应用案例：RFM模型分析与客户细分
01-30
最近正好刚帮某电信行业完成一个数据挖掘工作，其中的RFM模型还是有一定代表性，就再把数据挖掘RFM模型的建模思路细节与大家分享一下吧!手机充值业务是一项主要电信业务形式，客户的充值行为记录正好满足RFM模型的...
基于RFM行为模型的服装企业VIP顾客数据挖掘.pdf
07-14
在本部分中，我们详细探讨服装企业VIP顾客的数据挖掘，特别是基于RFM（最近购买间隔Recency、购买频率Frequency、购买总额Monetary）行为模型。RFM模型是一种被广泛采用的客户价值分析工具，它通过分析客户的交易...
用户价值类标签RFM案例
litlit023的专栏
04-18 472
目录 1. 概述 2. 构建FRM维表 3. 层次划分 4.根据RFM高低层次表，生成RFM价值分类标签数据 5.查询用户RFM价值信息-进行验证 6. 参考资料 1. 概述 用户价值类标签 RFM，流程总结 2. 构建FRM维表 从订单表中找出近一年中以下3个维度的数据 R-最近一次消费时间- last_payid_date F-最近一年中订单次数- last_1y_orders M-最近一年中消费金额 last_1y_order_amount 3. 层次划...
数据分析项目 基于RFM的用户精细化管理（4）---- 基于用户的RFM得分给用户贴标签
qq_43709590的博客
04-02 735
一、计算用户的R标签、F标签、M标签 分别计算R、F、M指标得分的均值 在主数据旁的单元格内分别列出指标、均值 在均值列输入=AVERAGE(),分别选中R得分、F得分、M得分列 得到R、F、M得分均值 在主数据旁新建3列，分别标为R标签、F标签、M标签 在R标签中输入：=IF(E:E>$O$32,1,0) 如果R得分大于均值，就标记为1，否则标记为0 F标签、M标签同理 F标签：=IF(F:F>$O$33,1,0) M标签：=IF(G:G>$O$34,1,0) 二、根据R、F、M
RFM、PSM、波士顿矩阵模型简介
every place is the center of the universe
10-18 930
RFM模型 RFM模型是通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3个维度来描述该客户价值状况的客户分类模型，这3个维度分别表示为： 最近一次消费距离现在的时间 (Recency)： 某段时间内消费频率次数 (Frequency)： 某段时间内消费金额 (Monetary) 计算用户的R,F,M值并且与平均用户的R,F,M值作比较可以对用户进行分类 优点：可解释性强 缺点： 只有消费过的用户才能被统计分类 R值、F值、M值的阈值设置会影响到用户的划分，需要多次调整、 适用场景：适用快
Python数据挖掘-RFM模型K-means聚类分析-航空公司客户价值分析
weixin_44387515的博客
05-01 5471
使用教材：《Python数据分析与挖掘实战》 模型：RFM模型 算法：K-means聚类；其他方法还用到了层次聚类 数据：需要数据的可以评论里call。 内容： （1）案例: 航空公司客户价值分析 （2）基于RFM客户价值理论的特征提取, 聚类结果解释 作业： （1）使用教材 §7 航空公司客户价值聚类分析配套示例数据和代码，掌握其特征构造操作过程 （2）考虑：使用其它模型参数, 聚类算法, 并观察结果；利用数据探索分析结果, 提取有用的变量/特征, 进行聚类分析, 观察结果 背景： 企业在面向客户制定
企业级用户画像: 用户活跃度模型-RFE
10-12 4199
絮叨两句: 博主是一名数据分析实习生,利用博客记录自己所学的知识,也希望能帮助到正在学习的同学们 人的一生中会遇到各种各样的困难和折磨，逃避是解决不了问题的，唯有以乐观的精神去迎接生活的挑战 少年易老学难成，一寸光阴不可轻。 最喜欢的一句话:今日事,今日毕                     &nbs.
RFM模型的四种打标签方法你会几种？三十行代码教你深刻理解如何实现用户画像
Data_lukyo的博客
01-08 1213
如果想了解RFM模型的数据分析初学者去搜索，会发现无论是知乎大V还是百度都会有“清楚”的原理解释和过程实现，看懂了收藏了，但是当你自己去实际应用的时候会发现，我对着大V的文章跟着做这个看似简单的模型，为啥我用起来没效果呢？实际上不是你没学会或者没做对，而是对这个简单而又强大的细节没有理解。
番外篇-RFE用户活跃度模型（详细实现思路可以去看RFM篇）
qq_41680016的博客
05-15 1903
在用户生命周期中，对每个用户进行群体划分，有针对性的做分群分层运营，可以更高效的提高营收转换。（用户生命周期是指：用户从注册账号建立起业务关系->完全终止关系的全过程，它动态的描述了用户在不同阶段的大致特征）。用户活跃度、用户价值度的分析在数据分析师的日常工作中会经常碰到，如何根据公司的业务情况对本公司的用户做活跃度和价值度的划分是是一种常规化的分析工作。，仅仅是讲计算指标发生变化，对于RFE的数据来源，可以从企业自己监控的用户行为日志获取，也可以从第三方网站分析工具获得。RFE：访问日志，流量数据。
用户画像中挖掘类标签的生产过程
最新发布
lixia0417mul2的博客
08-22 127
挖掘类标签的生产流程
用户画像打标签之RFM客户价值分析
HD0do的博客
01-26 2929
RFM模型是衡量用户价值的重要工具和方法， RFM模型主要由3个 基础指标组成： （1） 最近一次消费（Recency） ， 是指用户上一次购买 时间； （2） 消费频率（Frequency） ， 是指用户在一定时间段内的消费 次数； （3） 消费金额（Money） ， 是指用户在一定时间段内累计消费 的金额。 这3个基础指标进行组合可以划分出8类人群， 如表4-1所示。 表4-1 RFM用户价值模型 在开发对应的标签前需要进行数据调研。 根据对数据仓库中拉取的 用户消费相关数据进行分析后得出用户这3个
评论
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