rfm模型python_Python pandas RFM模型应用实例详解

本文实例讲述了Python pandas RFM模型应用。分享给大家供大家参考，具体如下：

什么是RFM模型

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有3个神奇的要素，这3个要素构成了数据分析最好的指标：

最近一次消费 (Recency): 客户最近一次交易时间的间隔。R值越大，表示客户交易距今越久，反之则越近；

消费频率 (Frequency): 客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则不够活跃；

消费金额 (Monetary): 客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则越低。

RFM实践应用

1、前提假设验证

RFM模型的应用是有前提假设的，即R、F、M值越大价值越大，客户未来的为企业带来的价值越大。这个前提假

设其实已经经过大量的研究和实证，假设是成立的。不过为了更加严谨，确保RFM模型对于特殊案例是有效的，

本文还进行了前提假设验证：

ps：Frequency、Monetary均为近6个月内的数据，即1-6月数据；

利用相关性检验，验证假设：

最近购买产品的用户更容易产生下一次消费行为

消费频次高的用户，用户满意度高，忠诚度高，更容易产生下一次消费行为

消费金额高的用户更容易带来高消费行为

2、RFM分级

简单的做法，RFM三个指标以均值来划分，高于均值的为高价值、低于均值的为低价值，如此可以将客户划分为8大类：

本文采取的方法是将三个指标进行标准化，然后按照分为数划分为5个等级，数值越大代表价值越高；当然最终划分的规则还是要结合业务来定。划分为5个等级后，客户可以细分为125种。

#读取数据

rfm

summary(rfm)

#数据分布

par(mfrow=c(1,3))

boxplot(rfm$rankR1)

boxplot(rfm$rankF1)

boxplot(rfm$rankM1)

#rfm分级

breaks1

breaks1

breaks2

breaks2

breaks3

rfm$rankR1

rfm$rankR1

rfm$rankF1

rfm$rankM1

3、客户分类

本文采用K-means聚类进行分类，聚类结果结合业务划分为4大类：

Cluster1:价值用户R、F、M三项指标均较高；

Cluster2，3：用户贡献值最低，且用户近度(小于2)和频度较低，为无价值客户；

Cluster4:发展用户，用户频度和值度较低，但用户近度较高，可做up营销；

Cluster5:挽留客户，用户近度较低，但频度和值度较高，需采用挽留手段

k值选择:

聚类结果：

#聚类

df

p1

p2

km_result

dd

##查看每一类的数目

table(dd$cluster)

picture

####聚类结果解释####

rfm_final

Custom[cluster == 1] = '高价值客户'

Custom[cluster == 2 ] = '无价值客户'

Custom[ cluster == 3] = '无价值客户'

Custom[cluster == 4] = '重点发展客户'

Custom[cluster == 5] = '重点挽留客户'

})

4、RFM打分

步骤3，我们将客户划分为四大类，其实如果一类客户中还有大量的客户，此时为了精细化营销，可以根据RFM进行加权打分，给出一个综合价值的分。这里，运用AHP层次分析法确定RFM各指标权重：

客户价值RFM_SCORE= 0.25rankR + 0.20rankF+0.55*rankM

AHP层次分析法(专家打分法)

总结

上述客户分类其实比较粗旷，真正在面对千万级客户量时，如此划分为四大类是难以满足运营需求的。运营中，还需要综合CRM中其他指标、维度。

ps：后续作者利用RFM客户价值得分进行潜在客户挖掘，尝试利用决策树等模型挖掘平台潜在客户特征。

简单实例

import pandas as pd

import numpy as np

import time

#todo 读取数据

data = pd.read_csv('RFM_TRAD_FLOW.csv',encoding='gbk')

# print(ret)

# todo RFM------>R(最近一次消费)

#todo 时间与字符串相互转换

data['time'] = data['time'].map(lambda x:time.mktime(time.strptime(x,'%d%b%y:%H:%M:%S')))

# print(data)

# todo 分组

groupby_obj = data.groupby(['cumid','type'])

# for name,data in groupby_obj:

# print(name)

# print(data)

# todo 取值

R = groupby_obj[['time']].max()

# print(

# todo 转为透视表

r_trans = pd.pivot_table(R,index='cumid',columns='type',values='time')

# print(data_trans)

# todo 替换缺失值 有缺失值，替换成最远的值

r_trans[['Special_offer','returned_goods']] = r_trans[['Special_offer','returned_goods']].apply(lambda x:x.replace(np.nan,min(x)),axis = 0)

# print(data_trans)

r_trans['r_max'] = r_trans.apply(lambda x:sum(x),axis=1)

# print(r_trans)

# todo RFM------>F(消费频率)

# 取值

F =groupby_obj[['transID']].count()

# print(F)

#转为透视表

f_trans = pd.pivot_table(F,index='cumid',columns='type',values='transID')

# print(f_trans)

#替换缺失值

f_trans[['Special_offer','returned_goods']]= f_trans[['Special_offer','returned_goods']].fillna(0)

# print(f_trans)

#

f_trans['returned_goods'] = f_trans['returned_goods'].map(lambda x:-x)

# print(f_trans)

f_trans['f_total'] = f_trans.apply(lambda x:sum(x),axis=1)

# print(f_trans)

# todo RFM------>M(消费金额)

# 取值

M =groupby_obj[['amount']].sum()

# print(M)

#转为透视表

m_trans = pd.pivot_table(M,index='cumid',columns='type',values='amount')

# print(f_trans)

#替换缺失值

m_trans[['Special_offer','returned_goods']]= m_trans[['Special_offer','returned_goods']].fillna(0)

# print(f_trans)

#

m_trans['m_total'] = m_trans.apply(lambda x:sum(x),axis=1)

# print(m_trans)

# 合并

RFM=pd.concat([r_trans["r_max"],f_trans['f_total'],m_trans['m_total']],axis=1)

print(RFM)

r_score = pd.cut(RFM.r_max,3,labels=[0,1,2])

f_score = pd.cut(RFM.r_max,3,labels=[0,1,2])

m_score = pd.cut(RFM.r_max,3,labels=[0,1,2])

关于Python相关内容感兴趣的读者可查看本站专题：《Python函数使用技巧总结》、《Python面向对象程序设计入门与进阶教程》、《Python数据结构与算法教程》、《Python字符串操作技巧汇总》、《Python编码操作技巧总结》及《Python入门与进阶经典教程》

希望本文所述对大家Python程序设计有所帮助。

本文标题: Python pandas RFM模型应用实例详解

本文地址: http://www.cppcns.com/jiaoben/python/287540.html