实战案例！使用 Python 进行 RFM 客户价值分析！

欢迎关注 ，专注Python、数据分析、数据挖掘、好玩工具！

RFM 建模是一种用于评估客户价值的营销分析技术。RFM 模型基于三个因素：

• Recency：客户最近购买的情况
• Frequency：客户进行购买的频率
• Monetary Value：顾客在购买上花了多少钱

RFM 模型提供了上述三个度量的数值。这些价值观有助于公司更好地了解客户潜力。

如果客户在过去一年中每天从星巴克购物，但在上个月没有购买任何东西，他们可能会转向竞争对手的品牌。

星巴克可以针对这些客户，提出一个营销策略，把他们赢回来。

在本文中，我将向你展示如何使用 Python 构建 RFM 模型。我们将使用包含4000多个唯一客户ID的数据集，并将RFM值分配给每个客户。

第一步

从 Kaggle 获取数据：https://www.kaggle.com/carrie1/ecommerce-data，确保在设备上安装了Python IDE以及Pandas库。

使用以下代码行读取下载的数据集：

import pandas as pd
df2 = pd.read_csv('data.csv',encoding='unicode_escape')

现在，让我们看一下数据帧：

df.head()

对于此分析，我们将只使用四列：数量(Quantity)、发票日期(InvoiceDate)、单价(UnitPrice)和客户ID(CustomerID)。

第二步

让我们先计算每个客户的总花费(Monetary Value)。

为此，我们需要使用 UnitPrice 和 Quantity 列。我们将首先将这些值相乘，以获得每个客户在每笔交易中花费的总金额。

下面是执行此操作的代码：

df['Total'] = df['Quantity']*df['UnitPrice']

现在，我们需要在整个数据集中找到同一客户花费的总金额。我们可以使用以下代码行来做到这一点：

m = df.groupby('CustomerID')['Total'].sum()
m = pd.DataFrame(m).reset_index()

第三步

现在，让我们计算频率(Frequency)。我们希望找到每个客户购买的次数。

让我们再次看看数据帧，看看如何做到这一点：

要查找每个客户的购买次数，我们需要使用 CustomerID 和 InvoiceDate 列。

为此，请运行以下代码行：

freq = df.groupby('CustomerID')['InvoiceDate'].count()
f = pd.DataFrame(freq).reset_index()

第四步

最后，我们可以计算数据框中每个客户的最近性（recency）。

为了计算最近性，我们需要找到上次此人进行购买的时间。

要找到这个值，我们需要使用 CustomerID 和 InvoiceDate 列。我们首先需要找到每个客户进行购买的最新日期。然后，我们需要给这个日期分配一些定量值。

例如，如果两个月前看到客户 A 进行购买，两年前看到客户 B 进行购买，我们需要为客户 A 指定更高的最近值。

为此，我们首先需要将 InvoiceDate 列转换为 datetime 对象。运行以下代码行：

df['Date']= pd.to_datetime(df['InvoiceDate'])

我们现在有了一个新的"Date"列,现在需要找到每个客户最近购买的日期。

为此，我们需要为每个CustomerID的所有日期分配一个等级。

最近的日期将被列为1，第二个最近的日期将被列为2，依此类推。

运行以下代码行：

df['rank'] = df.sort_values(['CustomerID','Date']).groupby(['CustomerID'])['Date'].rank(method='min').astype(int)

现在，我们根据看到客户购物的时间进行了不同的排名。最近的购买排名为1。

现在，让我们过滤数据帧并去掉所有其他购买。我们只需要保留最新的：

recent = df[df['rank']==1]

现在我们所需要做的就是给出一个定量的最近值。这意味着与一周前看到的人相比，一天前看到的人将获得更高的最近值。

为此，我们只需计算数据框中的每个日期与最早日期之间的差值。这样，最近的日期将具有更高的值。

运行以下代码行：

recent['recency'] = recent['Date'] - pd.to_datetime('2010-12-01 08:26:00')

上面的数据框对于每个 CustomerID 都有许多重复的值。这是因为细分是按产品进行的，同一客户同时购买了多个产品。

让我们仅选择CustomerID和Recenty列并删除重复项：

recent = recent[['CustomerID','recency']]
recent = recent.drop_duplicates()

第五步

我们现在已经完成了RFM值的计算。我们将结果存储在单独的数据帧中，因此让我们将它们合并在一起：

finaldf = f.merge(m,on='CustomerID').merge(recent,on='CustomerID')

总结

我们已成功地将 RFM 值附加到数据集中的每个客户ID，可以根据这些计算建立某种聚类模型，将类似的客户分组在一起。

---

技术交流

欢迎转载、收藏、有所收获点赞支持一下！

目前开通了技术交流群，群友超过2000人，添加方式如下：

如下方式均可，添加时最好方式为：来源+兴趣方向，方便找到志同道合的朋友

• 方式一、发送如下图片至微信，进行长按识别，回复加群；
• 方式二、直接添加小助手微信号：pythoner666，备注：来自CSDN
• 方式三、微信搜索公众号：Python学习与数据挖掘，后台回复：加群