多场景业务实战 项目!!! (RFM) 数据分析!! 总结最多的第一次 干货!!!!!

最新推荐文章于 2024-04-12 13:32:58 发布
最新推荐文章于 2024-04-12 13:32:58 发布
阅读量1k 收藏 3
点赞数
分类专栏： 总结 笔记 文章标签： big data 人工智能 r语言
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_43737594/article/details/120329854
版权
总结 同时被 2 个专栏收录
108 篇文章 1 订阅
订阅专栏
笔记
108 篇文章 3 订阅
订阅专栏

RFM用户价值分析

学习目标

  • 掌握RFM的基本原理

  • 利用RFM模型从产品市场财务营销等不同方面对业务进行分析

1、RFM基本原理

  • 在各种数据分析模型中， 有一项工具可以帮助公司找到

    • R 新客（近期有消费的用户）

    • F 常客（常来消费的用户）

    • M 贵客（消费金额大的用户）

  • 这个工具就是RFM模型， RFM模型是由（George Cullinan）于1961年提出，他发现数据分析中，有三项重要的指标：

    • 最近一次消费（Recency）

    • 消费频率（Frequency）

    • 消费金额（Monetary）

    • 这三项指标的英文首字母为R、F、M，所以就称为「RFM模型」

    接下来,介绍一下RFM模型的基本用法

    1. 最近一次消费（Recency）：指用户上次购买时刻到现在的时间差, 例如我们将购买日距今时间划分为5等分:

    • 最近消费的前20%，R分值为5

    • 20%~40%R分值为4, 以此类推

    • 最后20%的用户, R分值为1

    R分值越低, 说明越久没有来,流失可能性较高, R分值高的,活跃度比较好

    1. 消费频率（Frequency）：指用户在一定时间内的消费次数，例如：

    • 次数最多的前20%，F分值为5

    • 20%~40%F分值为4，以此类推

    • 消费次数最少的最后20%， F分值为1

    F分值越高的用户，其消费频率越高，忠诚度与LTV越高。

    1. 消费金额（Monetary）：指消费者在一定时间内购买商品的总金额， 例如：

    • 金额最大的前20%，M分值为5

    • 20%~40%M分值为4，以此类推

    • 消费金额最少的最后20%， M分值为1

    M分值越高的消费者，其消费金额越高，顾客价值也越高。

  • 利用上面的打分方式， 我们可以将顾客根据（R,F,M）的分数分成125群， 从最低的（1,1,1）（3分）到最高的（5,5,5）（15分）

  • RFM模型能协助企业区分顾客, 进而分析不同客群背后的消费行为习惯, 是我们的运营活动更加有的放矢

2、RFM实战——Pandas数据处理

  • 在下面的实战中, 我们将使用RFM模型, 对数据进行处理, 并对RF交叉数据进行可视化, 结合可视化图形,我们分别从产品、市场、财务、营销、复购等5个方面进行深入分析，解释业务运行状态，并给出相应建议

2.1 加载数据与基本数据处理

import pandas as pd
import datetime
import numpy as np
orders= pd.read_csv('data/orders.csv',index_col=0)
orders

  • grossmarg 毛利率

orders.info()

  • 这里为了演示RFM的划分, 缺失数据直接删除

orders.dropna(inplace = True)

  • 替换数据中的英文

orders['product'] = orders['product'].replace('banana', '香蕉')
# 另外一种替换方式
orders['product'].replace('milk', '牛奶',inplace = True)
orders['product'].replace('water', '水',inplace = True)

2.2 RFM计算

  • 计算每个用户的购物情况

orders['values'] = 1
purchase_list = orders.pivot_table(index=['clientId','orderId','gender','orderdate'], #行索引
                          columns='product', # 列索引
                          aggfunc=sum, # 计算方式，max, min, mean, sum, len
                          values='values' #值
                          ).fillna(0).reset_index()
purchase_list

  • 这里使用3-4个商品比较合适, 热销商品,主力商品, 新品, 或者想对比的商品

  • 频率计算

    • 计算每个用户在一定时间内购买该产品的次数

# 创建一列 frequency 辅助计算
purchase_list['frequency'] = 1
frequency = purchase_list.groupby("clientId", #按照用户ID进行分组
                                  as_index = False # 分类的列是否做为行索引
                                  )['frequency'].sum() # 聚合方式，max, min, mean, sum
frequency

# 完成计算后可以将辅助计算列删除
del purchase_list['frequency']
purchase_list

  • 最近一次消费计算

# 将数据中最后一天作为观察日期, 以这一天为基准分析RFM情况
theToday = datetime.datetime.strptime(orders['orderdate'].max(), "%Y-%m-%d")
# 将数据中的'orderdate'列处理成日期时间格式
purchase_list['orderdate'] = pd.to_datetime(purchase_list['orderdate'])
# 计算每个顾客最近一次购买日期
recent_recency = purchase_list.groupby("clientId", as_index = False)['orderdate'].max()
# 计算 观察日 与 每位用户最后一次购买日期的时间差
recent_recency['recency'] =( theToday - recent_recency['orderdate'] ).astype(str)
recent_recency


# 去掉recency列中的days
recent_recency['recency'] = recent_recency['recency'].str.replace('days.*', #要替换的内容
                                                                  '', #替换成的字符串
                                                                  regex = True)
# 'recency'列转换成Int
recent_recency['recency'] = recent_recency['recency'].astype(int)
recent_recency

  • 合并recency、frequency

purchase_list = recent_recency.merge(purchase_list, # 要合并的DataFrame
                                     on = ['clientId', 'orderdate'] # 链接的Key
                                     ,how='inner') # 合并的方式

purchase_list =purchase_list.merge(frequency, # 要合并的DataFrame
                                   on = ['clientId'] # 链接的Key
                                   ,how='inner') # 合并的方式
purchase_list

  • 划分recency、frequency

# 将recency按照时间远近分组
recency_label =  ['0-7 day', '8-15 day', '16-22 day', '23-30 day', '31-55 day', '>55 day']
# cut 自定义的方式对数据进行分组, 默认 左开右闭
recency_cut  = [-1, 7, 15, 22, 30, 55, purchase_list['recency'].max()]
purchase_list['recency_cate'] = pd.cut( 
        purchase_list['recency'] , #要分组的列
        recency_cut, #划分条件
        labels =recency_label) #每组的名字

# 将frequency按照频率高低分组
frequency_label =  ['1 freq', '2 freq', '3 freq', '4 freq', '5 freq', '>5 freq']
frequency_cut  = [0, 1, 2, 3, 4, 5, purchase_list['frequency'].max()]
purchase_list['frequency_cate'] = pd.cut( 
        purchase_list['frequency'] , #要分组的列
        frequency_cut,  #划分条件
        labels =frequency_label) #每组的名字
purchase_list

2.3 RFM分析

# RF交叉分析
RF_table = pd.crosstab(purchase_list['frequency_cate'].astype(str),
                       purchase_list['recency_cate'].astype(str))

# 重新排序
RF_table['freq'] = RF_table.index
RF_table = RF_table.sort_values('freq',ascending = False)

collist = ['freq'] + recency_label
RF_table = RF_table[collist]

RF_table


# 根据RF标注出顾客类别 常客,新客,沉睡客,流失客
purchase_list['customer'] = np.where( (purchase_list['frequency'] >=frequency_cut[4]) & (purchase_list['recency']<=recency_cut[3]), '常客',
                     np.where( (purchase_list['frequency'] >=frequency_cut[4]) & ( purchase_list['recency']>recency_cut[3]), '沉睡客',
                              np.where( (purchase_list['frequency'] < frequency_cut[4]) & ( purchase_list['recency']>recency_cut[3]), '流失客',
                                       '新客'  )))

purchase_list.to_csv('purchase_list.csv')
purchase_list

3、RFM可视化

3.1 Seaborn绘图

import matplotlib.pyplot as plt
import seaborn as sns
rc = {'font.sans-serif': 'SimHei',
      'axes.unicode_minus': False,
     'figure.figsize':(10,8)}
sns.set(context='notebook', style='ticks', rc=rc)

#准备XY轴标签
recency_label =  ['0-7 day', '8-15 day', '16-22 day', '23-30 day', '31-55 day', '>55 day']
frequency_label =  ['1 freq', '2 freq', '3 freq', '4 freq', '5 freq', '>5 freq']

#绘图
g = sns.FacetGrid(purchase_list, # 数据源
                  col="recency_cate", # X轴数据来源
                  row="frequency_cate" ,  # Y轴数据来源
                  col_order= recency_label,  # X方向数据顺序
                  row_order= frequency_label, # Y方向数据顺序
                  palette='Set1',  #画布色调
                  margin_titles=True)
#小图表部分
g = g.map_dataframe(sns.barplot, y ='水')
g = g.set_axis_labels('距今','频率').add_legend()

3.2 matplotlib绘制RFM

  • 后续的RFM图形绘制 我们使用MatPlotLib与Seaborn配合

    • 利用matplotlib 搭框架, Seaborn绘制里面的小图

    • 每个小图代表一个RF交叉的组合, 如左上角我们要绘制的是: 来过店里5次以上, 并且最近一周内来过店里的情况

#准备XY轴标签
recency_label =  ['0-7 day', '8-15 day', '16-22 day', '23-30 day', '31-55 day', '>55 day']
frequency_label =  ['1 freq', '2 freq', '3 freq', '4 freq', '5 freq', '>5 freq']


#绘图
#先设定画布大小   6*6 代表有36张小图
fig, axes = plt.subplots(6, 6,figsize=(25,15))
countX = 0 # 画布X轴坐标
for i in frequency_label[::-1]: # 我们内层的小图是从上向下绘制的, 所以要先绘制频率>5次的组别, 需要将列表倒转遍历
    countY = 0 # 画布Y轴坐标
    for j in recency_label: # 最近几天内来过
        data = purchase_list[(purchase_list['recency_cate']==j) & (purchase_list['frequency_cate']==i)]
        if data.shape[0] != 0: # 检查这个位置有没有数据
            # 以下为单一小图表的设定
            sns.barplot(y="牛奶", # 小图表Y数据
                        data=data, #数据来源
                        estimator=np.sum,
                        capsize=.2, # 最高点最低点大小
                        ax=axes[countX, countY]) # 小图表坐标

        countY += 1 
    countX += 1 
fig.suptitle('RFM图', position=(.5,1), fontsize=35) # 标题
fig.text(0.5, 0.01, '光顾天数', ha='center', va='center', fontsize=20) # 设定X轴标题
fig.text(0.01, 0.5, '购买频率', ha='center', va='center', rotation='vertical', fontsize=20) # 设定Y轴标题
fig.show()

4、RFM分析-产品分析

4.1 RFM图调整 XY轴统一标签

  • 接下来我们进一步将RFM图细化, 首先把X轴 Y轴的标签填补上

#先设定画布大小
fig, axes = plt.subplots(6, 6,figsize=(25,15))
countX = 0 # 画布X轴坐标
for i in frequency_label[::-1]: # 我们内层的小图是从上向下绘制的, 所以要先绘制频率>5次的组别, 需要将列表倒转遍历
    countY = 0 # 画布Y轴坐标
    for j in recency_label: # 近因
        data = purchase_list[(purchase_list['recency_cate']==j) & (purchase_list['frequency_cate']==i)]
        if data.shape[0] != 0: #检查这部分有没有数据
            # 下面设定单一小图表
            sns.barplot(y="牛奶", # 小图标Y数据来源
                        data=data, #绘图使用数据
                        estimator=np.sum,
                        capsize=.2, # 最高点最低点大小
                        ax=axes[countX, countY]) # 小图表坐标
        ################ 画X标记################
        if i == '1 freq':
            axes[countX][countY].set_xlabel(j, fontsize=17)
            
        ############### 画Y标记 ################
        if j == '0-7 day':
            axes[countX][countY].set_ylabel( frequency_label[::-1][countX], fontsize=17)
        else:
            axes[countX][countY].set_ylabel('')
            
        countY += 1 
    countX += 1 
fig.suptitle('RFM图', position=(.5,1), fontsize=35) # 标题
fig.text(0.5, 0.01, '光顾天数', ha='center', va='center', fontsize=20) # X轴标题
fig.text(0.01, 0.5, '购买频率', ha='center', va='center', rotation='vertical', fontsize=20) # Y轴标题
fig.show()

4.2 统一Y轴刻度

  • 目前还有一个问题, 就是不同的小图 Y轴数值大小不同, 不方便比较, 我们要将所有的小图Y轴刻度大小

findbig=0
for i in frequency_label:
    for j in recency_label:
        data = purchase_list[(purchase_list['recency_cate']==j) & (purchase_list['frequency_cate']==i)]
        if data['牛奶'].sum() > findbig:
            findbig = data['牛奶'].sum()


#先设定画布大小
fig, axes = plt.subplots(6, 6,figsize=(25,15))
countX = 0 # 画布X轴坐标
for i in frequency_label[::-1]: # 由于axes画布排列的关系，频率必须要反着放
    countY = 0 # 画布Y轴坐标
    for j in recency_label: # 近因
        data = purchase_list[(purchase_list['recency_cate']==j) & (purchase_list['frequency_cate']==i)]
        if data.shape[0] != 0: #检查这部分有没有数据
            # 下面设定单一小图表
            sns.barplot(y="牛奶", # 小图标Y数据来源
                        data=data, #绘图使用数据
                        estimator=np.sum,
                        capsize=.2, # 最高点最低点大小
                        ax=axes[countX, countY]) # 小图表坐标

        ################ 将水牛奶香蕉的字体变大 ################
        axes[countX][countY].tick_params(labelsize=15)
        ############### 使所有数据尺码相同 ################
        axes[countX][countY].set_yticks(range(0,int(findbig*1.3),10))
            
        countY += 1 
    countX += 1 
fig.suptitle('RFM图', position=(.5,1), fontsize=35) # 标题
fig.text(0.5, 0.01, '光顾天数', ha='center', va='center', fontsize=20) # X轴标题
fig.text(0.01, 0.5, '购买频率', ha='center', va='center', rotation='vertical', fontsize=20) # Y轴标题
fig.show()

4.3 四大类顾客分群

  • 为了更好的区分出, 常客, 新客, 沉睡客, 流失客 我们给四个区块添加背景颜色

  • 这里使用小图的坐标 (一共是 6*6 = 36张图 我们的绘图代码中用 countX countY表示)

    • countX 0,1,2 为一组 3,4,5 为一组 countY同理 我们把整个区域划分成4各部分

findbig=0
for i in frequency_label:
    for j in recency_label:
        data = purchase_list[(purchase_list['recency_cate']==j) & (purchase_list['frequency_cate']==i)]
        if data['牛奶'].sum() > findbig:
            findbig = data['牛奶'].sum()


#先设定画布大小
fig, axes = plt.subplots(6, 6,figsize=(25,15))
countX = 0 # 画布X轴坐标
for i in frequency_label[::-1]: # 由于axes画布排列的关系，频率必须要反着放
    countY = 0 # 画布Y轴坐标
    for j in recency_label: # 近因
        data = purchase_list[(purchase_list['recency_cate']==j) & (purchase_list['frequency_cate']==i)]
        if data.shape[0] != 0: #检查这部分有没有数据
            # 下面设定单一小图表
            sns.barplot(y="牛奶", # 小图标Y数据来源
                        data=data, #绘图使用数据
                        estimator=np.sum,
                        capsize=.2, # 最高点最低点大小
                        ax=axes[countX, countY]) # 小图表坐标
############### 四个区块分颜色 ################
        if countY > 2 and countX > 2:
            axes[countX][countY].set(facecolor="#ffcdd2") #紅色
        elif countY > 2 and countX < 3:
            axes[countX][countY].set(facecolor="#FFF9C4") #黄色
        elif countY < 3 and countX > 2:
            axes[countX][countY].set(facecolor="#BBDEFB") #蓝色
        else:
            axes[countX][countY].set(facecolor="#B2DFDB") #绿色
            
        countY += 1 
    countX += 1 
fig.suptitle('RFM图', position=(.5,1), fontsize=35) # 标题
fig.text(0.5, 0.01, '光顾天数', ha='center', va='center', fontsize=20) # X轴标题
fig.text(0.01, 0.5, '购买频率', ha='center', va='center', rotation='vertical', fontsize=20) # Y轴标题
fig.show()

  • 需要注意的是, 这里把顾客划分成4个群体是为了演示方便, 实际业务中,我们可以根据业务情况进一步划分成更多的群体

4.4 RFM产品分析

  • 准备数据绘制完整的RFM分析图, 先去掉部分数据

purchase_list.drop(columns = ['orderId','orderdate','recency','frequency'])


temp = purchase_list.drop(columns = ['orderId','orderdate','recency','frequency'])v
# 将部分数据 宽变长, id_vars 保留不去处理的字段   
df3 = pd.melt(temp, id_vars=['clientId','customer','recency_cate','frequency_cate','gender'], var_name='types', value_name='values') 
df3


df3 = pd.melt(purchase_list.drop(columns = ['orderId','orderdate','recency','frequency']), id_vars=['clientId','customer','recency_cate','frequency_cate','gender'], var_name='types', value_name='values') 
df3['values'] = pd.to_numeric(df3['values'],errors='coerce')
df3 = df3.dropna()

#先设定画布大小
fig, axes = plt.subplots(6, 6,figsize=(25,15))
countX = 0 # 画布X轴坐标
for i in frequency_label[::-1]: # 我们内层的小图是从上向下绘制的, 所以要先绘制频率>5次的组别, 需要将列表倒转遍历
    countY = 0 # 画布Y轴坐标
    for j in recency_label: # 最近R标签数据
        data = df3[(df3['recency_cate']==j) & (df3['frequency_cate']==i)]
        if data.shape[0] != 0: #检查这部分有没有数据
            # 下面绘制每一个小图表
            sns.barplot(x="types", # 小图表X轴数据
                        y="values", # 小图表Y轴数据
                        data=data, #绘图用到的数据
                        capsize=.2, 
                        ax=axes[countX, countY]) # 小图表坐标
        # ################ 画X轴刻度 ################
        if i == '1 freq':
            axes[countX][countY].set_xlabel(j, fontsize=17)
            
        ############### 画Y轴刻度 ################
        if j == '0-7 day':
            axes[countX][countY].set_ylabel( frequency_label[::-1][countX], fontsize=17)
        else:
            axes[countX][countY].set_ylabel('')
            
            
        ################ 将水、牛奶、香蕉的字变大################
        axes[countX][countY].tick_params(labelsize=15)
        ############### 统一所有小图的Y轴刻度大小 ################
        axes[countX][countY].set_yticks(range(0,10,3))
        
        
        ###############四个区块分颜色 ################
        if countY > 2 and countX > 2:
            axes[countX][countY].set(facecolor="#ffcdd2") #红色
        elif countY > 2 and countX < 3:
            axes[countX][countY].set(facecolor="#FFF9C4") #黃色
        elif countY < 3 and countX > 2:
            axes[countX][countY].set(facecolor="#BBDEFB") #蓝色
        else:
            axes[countX][countY].set(facecolor="#B2DFDB") #绿色
            
        countY += 1 
    countX += 1 

fig.suptitle('RFM产品分析图', position=(.5,1), fontsize=35) # 标题
fig.text(0.5, 0.01, '光顾天数', ha='center', va='center', fontsize=20) # X轴标题
fig.text(0.01, 0.5, '购买频率', ha='center', va='center', rotation='vertical', fontsize=20) # Y轴标题
fig.show()

  • 业务解读:

    • 从图中可以很直观的发现不同类型的产品在不同客群中的消费情况

    • 比如水在各群组中销售的情况都比较好, 牛奶在常客群中销售情况较好

  • 在产品分析中, 我们可以把主打产品, 或者是要推的新产品放在图中分析

5、RFM分析-市场分析

5.1 市场分析

  • 接下来我们可以从不同的维度进行拆解, 挖掘不同产品的市场需求情况

    • 我们依然将客户按R和F划分成4个组, 每个柱状图显示一个性别, 用累计柱状图来显示不同产品的购买比例

df3 = pd.melt(purchase_list.drop(columns = ['orderId','orderdate','recency','frequency']), id_vars=['clientId','customer','recency_cate','frequency_cate','gender'], var_name='types', value_name='values') 
df3['values'] = pd.to_numeric(df3['values'],errors='coerce')
df3 = df3.dropna()

#先设定画布大小
fig, axes = plt.subplots(6, 6,figsize=(25,15))
countX = 0 # 画布X轴坐标
for i in frequency_label[::-1]: # 我们内层的小图是从上向下绘制的, 所以要先绘制频率>5次的组别, 需要将列表倒转遍历
    countY = 0 # 画布Y轴坐标
    for j in recency_label: # 近因
        data = df3[(df3['recency_cate']==j) & (df3['frequency_cate']==i)]
        if data.shape[0] != 0: # 检查这部分有没有数据
            #处理堆叠数据，将这部分数据的购买量,换算成百分比data = data.groupby(['types', 'gender'])['values'].sum() # 依照不同的性別，对购买量求和
            data = data[['gender','types','values']].groupby(['types','gender']).sum()
            data =data.groupby(level=1).apply(lambda x:100 * x / float(x.sum())) # 换算成百分比
            data = data.add_suffix('').reset_index() #multiIndex 变平
            data=data.pivot('gender', 'types', 'values') # 透视表
            
           # 下面设定单一小图表
            ax = data.plot.bar(stacked=True, # 设置堆积图
                              width=0.7,# 柱子的宽度
                              legend = True, 
                              ax =axes[countX, countY] , # 小图表坐标
                              rot=0) #坐标轴文字旋转
            
        ################ 画X标记 ################
        if i == '1 freq':
            axes[countX][countY].set_xlabel(j, fontsize=17)
            
        ############### 画Y标记 ################
        if j == '0-7 day':
            axes[countX][countY].set_ylabel( frequency_label[::-1][countX], fontsize=17)
        else:
            axes[countX][countY].set_ylabel('')
            
            
        ################ 将水、牛奶、香蕉的字变大 ################
        axes[countX][countY].tick_params(labelsize=15)
        
        
        ############### 四个区块分颜色 ################
        if countY > 2 and countX > 2:
            axes[countX][countY].set(facecolor="#ffcdd2") #红色
        elif countY > 2 and countX < 3:
            axes[countX][countY].set(facecolor="#FFF9C4") #黃色
        elif countY < 3 and countX > 2:
            axes[countX][countY].set(facecolor="#BBDEFB") #蓝色
        else:
            axes[countX][countY].set(facecolor="#B2DFDB") #绿色
            
        countY += 1 
    countX += 1
fig.suptitle('RFM-市场分析图', position=(.5,1), fontsize=35) # 标题
fig.text(0.5, 0.01, '光顾天数', ha='center', va='center', fontsize=20) # X轴标题
fig.text(0.01, 0.5, '购买频率', ha='center', va='center', rotation='vertical', fontsize=20) # Y轴标题
fig.show()

  • 查看数据处理的情况

recency_label =  ['0-7 day', '8-15 day', '16-22 day', '23-30 day', '31-55 day', '>55 day']
frequency_label =  ['1 freq', '2 freq', '3 freq', '4 freq', '5 freq', '>5 freq']

data = df3[(df3['recency_cate']=='0-7 day') & (df3['frequency_cate']== '>5 freq')]

data.head()


data = data[['gender','types','values']].groupby(['types','gender']).sum()
data

  • 这里对两列分组聚合, 得到的是MultiIndex

data.index.levels[1]

Index(['女性', '男性'], dtype='object', name='gender')

  • 此时可以通过level操作MultiIndex的数据, 也可以将其变为普通索引

# 参数level 如果是MultiIndex 可以按照level 的索引进行分组
data =data.groupby(level=1).apply(lambda x:100 * x / float(x.sum())) # 将具体值换成百分比表示
data


data = data.add_suffix('').reset_index() #将MultiIndex转变成普通索引
data

  • 创建透视表，完成数据准备

data=data.pivot('gender', 'types', 'values') # 透视
data


ax = data.plot.bar(stacked=True, # 设定堆积图
                              width=0.7,# 柱子的宽度
                              legend = True, 
                              rot=0)

5.2 市场分析图例优化

  • 上面的图中，每个小图都有一个图例， 而且每个图例的内容都是一样的， 我们可以让图例只出现一次

    • 绘制每个小图时指定参数legend = False, 在小图中关闭图例

    • 并且在绘图过程中,绘制一次图例即可

#先设定画布大小
fig, axes = plt.subplots(6, 6,figsize=(25,15))
countX = 0 # 画布X轴坐标
for i in frequency_label[::-1]: # 我们内层的小图是从上向下绘制的, 所以要先绘制频率>5次的组别, 需要将列表倒转遍历
    countY = 0 # 画布Y轴坐标
    for j in recency_label: # 近因
        data = df3[(df3['recency_cate']==j) & (df3['frequency_cate']==i)]
        if data.shape[0] != 0: #检查这部分有没有数据
            # 处理堆叠数据，将这部分数据的购买量,换算成百分比data = data.groupby(['types', 'gender'])['values'].sum() # 依照不同的性別，对购买量求和
            data = data[['gender','types','values']].groupby(['types','gender']).sum()
            data =data.groupby(level=1).apply(lambda x:100 * x / float(x.sum())) # 换算成百分比
            data = data.add_suffix('').reset_index() #multiIndex 变平
            data=data.pivot('gender', 'types', 'values') # 透视表
            
             # 下面设定单一小图表
            ax = data.plot.bar(stacked=True, # 设置堆积图
                              width=0.7,# 柱子的宽度
                              legend = False, 
                              ax =axes[countX, countY] , # 小图表坐标
                              rot=0) #坐标轴文字旋转
            
        ################ 设定图例 ################
        if (i == '4 freq') and (j == '>55 day'):
            ax.legend(bbox_to_anchor=(1.03, 0.8), loc=2, fontsize =20) #设定图例
            
        ################ 画X标记 ################
        if i == '1 freq':
            axes[countX][countY].set_xlabel(j, fontsize=17)
            
        ###############  画Y标记 ################
        if j == '0-7 day':
            axes[countX][countY].set_ylabel( frequency_label[::-1][countX], fontsize=17)
        else:
            axes[countX][countY].set_ylabel('')
            
            
        ################ 将水、牛奶、香蕉的字变大 ################
        axes[countX][countY].tick_params(labelsize=15)
        
        
        ############### 四个区块分颜色 ################
        if countY > 2 and countX > 2:
            axes[countX][countY].set(facecolor="#ffcdd2") #红色
        elif countY > 2 and countX < 3:
            axes[countX][countY].set(facecolor="#FFF9C4") #黃色
        elif countY < 3 and countX > 2:
            axes[countX][countY].set(facecolor="#BBDEFB") #蓝色
        else:
            axes[countX][countY].set(facecolor="#B2DFDB") #绿色
            
        countY += 1 
    countX += 1 
fig.suptitle('RFM-市场分析图', position=(.5,1), fontsize=35) # 标题
fig.text(0.5, 0.01, '光顾天数', ha='center', va='center', fontsize=20) # X轴标题
fig.text(0.01, 0.5, '购买频率', ha='center', va='center', rotation='vertical', fontsize=20) # Y轴标题
fig.show()

  • 业务解读：从上图中，我们可以对比出， 不同客群中， 不同性别的消费习惯， 从而有针对性的设计营销活动

  • 我们在分析的时候， 也可以结合之前的产品分析图做对比， 更直观的讲产品的销售情况按照不同的维度进行拆解

6、RFM分析 - 财务分析

  • 这一小节中，我们从成本和利润的角度去对不同客群进行财务方面的分析

    • 从结果中可以看出, 我们的流失用户的利润率较低, 常客的利润率较高, 原因也比较容易理解

      • 我们每一次的营销活动, 流失会员都会分摊成本, 但是没有新的收入

  • 当企业处于不同的成长阶段, 分析的结果也会有不同

    • 如果是公司处于创业阶段, 业务初期,主要的营收会来自于新顾客

    • 如果是一个经营了几年的公司, 我们的利润大概率会来自于常客,而不是新客,

    • 如果一个经营了几年的公司利润来源发生了转移,新客带来的利润较多, 我们需要进一步挖掘原因, 并通过运营手段把新用户变成常客

6.1 成本获利分析

  • 加载成本数据

    • 需要注意, 成本数据可能需要估算, 不见的每家公司都会有精确的用户成本数据

    • 我们可以在做运营活动的时候为每一个涉及到的会员打上标签, 分摊运营成本, 从而估算出每个用户的成本

    • Customer Acquisition Cost (CAC)

cac = pd.read_csv('data/cac.csv')
cac


cac = cac[['clientId', 'cac']] #去掉多余数据
cac


# 计算clvs
clv = orders[['clientId','grossmarg']].groupby('clientId').sum().reset_index() #计算每个顾客的总消费金额
clv


clv.columns = ['clientId', 'clv'] #重命名列名
clv


# purchase_list,clv,cac 合起来（merge）
purchase_list =  purchase_list.merge(clv,on=['clientId'])
purchase_list =  purchase_list.merge(cac,on=['clientId'])
purchase_list


# 计算不同分组的clv与cac
countfinal = purchase_list[['frequency_cate', 'recency_cate','clv', 'cac']].groupby(['frequency_cate', 'recency_cate']).sum().reset_index()
countfinal


# 将clv与cac做melt转换
finaldf = pd.melt(countfinal, id_vars=['frequency_cate','recency_cate'], value_vars=['clv', 'cac'])
finaldf


# 缺失值补0
finaldf['value'] = finaldf['value'].fillna(0)
finaldf.to_csv('finaldf.csv' , index=0)

  • 绘图

#先设定画布大小
fig, axes = plt.subplots(6, 6,figsize=(25,15))
countX = 0 #  画布X轴坐标
for i in frequency_label[::-1]: # 我们内层的小图是从上向下绘制的, 所以要先绘制频率>5次的组别, 需要将列表倒转遍历
    countY = 0 # 画布Y轴坐标
    for j in recency_label: # 近因
        data = finaldf[(finaldf['recency_cate']==j) & (finaldf['frequency_cate']==i)]
        if data.shape[0] != 0: #  检查这部分有没有数据
            # 下面设定单一小图表
            sns.barplot(x="variable", # 指定小图标X轴数据
                        y="value", # 指定小图标y轴数据
                        data=data, #绘图使用的DataFrame
                        capsize=.2, 
                        ax=axes[countX, countY]) # 小图表坐标
            
            
        ################ 设定图例 ################
        # if (i == '4 freq') and (j == '>55 day'):
        #     axes.legend(bbox_to_anchor=(1.03, 0.8), loc=2, fontsize =20) #设定图例  
            
        ################ 画X标签 ################
        if i == '1 freq':
            axes[countX][countY].set_xlabel(j, fontsize=17)
            
        ############### 画Y标签 ################
        if j == '0-7 day':
            axes[countX][countY].set_ylabel( frequency_label[::-1][countX], fontsize=17)
        else:
            axes[countX][countY].set_ylabel('')
            
            
        ################ 将水、牛奶、香蕉的字变大 ################
        axes[countX][countY].tick_params(labelsize=15)
        
        
        ############### 四个区块分颜色 ################
        if countY > 2 and countX > 2:
            axes[countX][countY].set(facecolor="#ffcdd2") #红色
        elif countY > 2 and countX < 3:
            axes[countX][countY].set(facecolor="#FFF9C4") #黄色
        elif countY < 3 and countX > 2:
            axes[countX][countY].set(facecolor="#BBDEFB") #蓝色
        else:
            axes[countX][countY].set(facecolor="#B2DFDB") #绿色
            
        countY += 1 
    countX += 1 

fig.suptitle('RFM-成本获利分析图', position=(.5,1), fontsize=35) # 标题
fig.text(0.5, 0.01, '光顾天数', ha='center', va='center', fontsize=20) # X轴标题
fig.text(0.01, 0.5, '购买频率', ha='center', va='center', rotation='vertical', fontsize=20) # Y轴标题
fig.show()

6.2 RFM毛利率分析

  • 计算毛利

    • 为了进一步分析清楚, 那些用户身上是赚钱的, 哪些用户是赔钱的,我们可以计算毛利

countfinal['毛利'] = countfinal['clv'] - countfinal['cac']
countfinal['毛利检查'] = np.where(countfinal['毛利']< 0,'#ff5858','#58acff')

countfinal

  • 绘图

#先设定画布大小
fig, axes = plt.subplots(6, 6,figsize=(25,15))
countX = 0 # 画布X轴坐标
for i in frequency_label[::-1]: # 我们内层的小图是从上向下绘制的, 所以要先绘制频率>5次的组别, 需要将列表倒转遍历
    countY = 0 #画布Y轴坐标
    for j in recency_label: # 近因
        data = countfinal[(countfinal['recency_cate']==j) & (countfinal['frequency_cate']==i)]
        if data.shape[0] != 0: # 检查这部分有没有数据
            # 下面设定单一小图表
            sns.barplot( #  指定小图标X轴数据
                        y="毛利", #  指定小图标Y轴数据
                        data=data, #绘图使用的DataFrame
                        capsize=.2, 
                        color=data['毛利检查'].values[0],
                        ax=axes[countX, countY]) # 小图表坐标
            
              
        ################ 画X标签 ################
        if i == '1 freq':
            axes[countX][countY].set_xlabel(j, fontsize=17)
            
        ###############画Y标签 ################
        if j == '0-7 day':
            axes[countX][countY].set_ylabel( frequency_label[::-1][countX], fontsize=17)
        else:
            axes[countX][countY].set_ylabel('')
            
            
        ############### 使所有数据的大小相同 ################
        axes[countX][countY].set_yticks(range(-200,12000,3000))
        
        ############### 四个区块分颜色 ################
        if countY > 2 and countX > 2:
            axes[countX][countY].set(facecolor="#ffcdd2") #红色
        elif countY > 2 and countX < 3:
            axes[countX][countY].set(facecolor="#FFF9C4") #黄色
        elif countY < 3 and countX > 2:
            axes[countX][countY].set(facecolor="#BBDEFB") #蓝色
        else:
            axes[countX][countY].set(facecolor="#B2DFDB") #绿色
            
        countY += 1 
    countX += 1 
fig.suptitle('RFM-毛利分析图', position=(.5,1), fontsize=35) # 标题
fig.text(0.5, 0.01, '光顾天数', ha='center', va='center', fontsize=20) # X轴标题
fig.text(0.01, 0.5, '购买频率', ha='center', va='center', rotation='vertical', fontsize=20) # Y轴标题
fig.show()

6.3 RFM 投资回报率分析

  • 计算ROI投资回报率

    • 投入一元钱成本会带来多少收益

    • 不同行业ROI不同,我们分析时设定的阈值可以根据自身行业做调整

countfinal['ratio'] = countfinal['clv'] / countfinal['cac']
countfinal['ratio'] = countfinal['ratio'].round(2)
countfinal['ratio'] = countfinal['ratio'].fillna(0)
countfinal['ratio_index'] = np.where(countfinal['ratio']< 3,'#ff5858','#58acff')
countfinal

  • 绘图

#先设定画布大小
fig, axes = plt.subplots(6, 6,figsize=(25,15))
countX = 0 #画布X轴坐标
for i in frequency_label[::-1]: # 我们内层的小图是从上向下绘制的, 所以要先绘制频率>5次的组别, 需要将列表倒转遍历
    countY = 0 # 画布Y轴坐标
    for j in recency_label: # 近因
        data = countfinal[(countfinal['recency_cate']==j) & (countfinal['frequency_cate']==i)]
        if data.shape[0] != 0: # 检查这部分有没有数据
            # 下面设定单一小图表
            sns.barplot( # 指定小图表X轴数据
                        y="ratio", #指定小图标Y轴数据
                        data=data, #数据
                        capsize=.2, 
                        color=data['ratio_index'].values[0],
                        ax=axes[countX, countY]) # 小图表坐标
            
              
         ################ 画X标签 ################
        if i == '1 freq':
            axes[countX][countY].set_xlabel(j, fontsize=17)
            
         ################ 画y标签 ################
        if j == '0-7 day':
            axes[countX][countY].set_ylabel( frequency_label[::-1][countX], fontsize=17)
        else:
            axes[countX][countY].set_ylabel('')
        ############### 使所有数据的大小相同 ################
        axes[countX][countY].set_yticks(range(0,10,2))
        
        ############### 四个区块分颜色 ################
        if countY > 2 and countX > 2:
            axes[countX][countY].set(facecolor="#ffcdd2") #红色
        elif countY > 2 and countX < 3:
            axes[countX][countY].set(facecolor="#FFF9C4") #黄色
        elif countY < 3 and countX > 2:
            axes[countX][countY].set(facecolor="#BBDEFB") #蓝色
        else:
            axes[countX][countY].set(facecolor="#B2DFDB") #绿色     
        countY += 1 
    countX += 1 
fig.suptitle('RFM-投资回报率分析图', position=(.5,1), fontsize=35) # 标题
fig.text(0.5, 0.01, '光顾天数', ha='center', va='center', fontsize=20) # X轴标题
fig.text(0.01, 0.5, '购买频率', ha='center', va='center', rotation='vertical', fontsize=20) # Y轴标题
fig.show()

  • 从上图可以看出, 当前业务的ROI主要与购买的频率有关

7、RFM营销分析

  • 在上一小节中,我们通过ROI分析, 得出某些客群的ROI较低, 接下来我们要尝试把这部分低ROI的用户的营销预算做一些调整,比如减少一半

  • 我们把在低ROI客群的营销费用转移到高ROI的客群,我们来试算一下, 经过这样的调整,我们的ROI是否会有提升

  • 这里假设不同客群的ROI在试算过程中是固定的

#营销数据计算
total_cac = countfinal['cac'].sum() #总成本
total_clv = countfinal['clv'].sum() #总收益

#将所有转化率低的成本移到高的部分
countfinal['cac'] = np.where(countfinal['ratio'] < 3 , 
                             countfinal['cac']/2, 
                             countfinal['cac'] + ((countfinal[countfinal['ratio'] < 3]['cac']/2).mean())/2 )

countfinal['clv'] = np.where(countfinal['ratio'] < 3 ,
                             countfinal['clv']/2, 
                             countfinal['ratio'] * countfinal['cac'])

countfinal['ratio'] = countfinal['clv'] / countfinal['cac']

  • 计算新的毛利

countfinal['新毛利'] = countfinal['clv'] - countfinal['cac']
countfinal['新毛利检查'] = np.where(countfinal['新毛利']< 0,'#ffa6a6','#a6ffff')

#先设定画布大小
fig, axes = plt.subplots(6, 6,figsize=(25,15))
countX = 0 # 画布X轴坐标
for i in frequency_label[::-1]: # 我们内层的小图是从上向下绘制的, 所以要先绘制频率>5次的组别, 需要将列表倒转遍历
    countY = 0 # 画布Y轴坐标
    for j in recency_label: # 近因
        data = countfinal[(countfinal['recency_cate']==j) & (countfinal['frequency_cate']==i)]
        if data.shape[0] != 0: #  检查这部分有没有数据
            #下面设定单一小图表
            sns.barplot( # 指定小图表X据
                        y="新毛利", # 指定小图标表Y轴数据
                        data=data, #绘图使用的DataFrame
                        capsize=.2, 
                        color=data['新毛利检查'].values[0],
                        ax=axes[countX, countY]) # 小图表坐标
            
            sns.barplot( # 指定小图表X据
                        y="毛利", # 指定小图标表Y轴数据
                        data=data, #绘图使用的DataFrame
                        capsize=.2, 
                        color=data['毛利检查'].values[0],
                        ax=axes[countX, countY]) # 小图表坐标
         ################ 画X标签 ################
        if i == '1 freq':
            axes[countX][countY].set_xlabel(j, fontsize=17)
            
        ############### 画y标签 ################
        if j == '0-7 day':
            axes[countX][countY].set_ylabel( frequency_label[::-1][countX], fontsize=17)
        else:
            axes[countX][countY].set_ylabel('')
            
            
        ################ 将水、牛奶、香蕉的字变大 ################
        axes[countX][countY].tick_params(labelsize=15)
        ############### 使所有数据的大小相同  ################
        axes[countX][countY].set_yticks(range(-200,12000,3000))
        
        ############### 四个区块分颜色  ################
        if countY > 2 and countX > 2:
            axes[countX][countY].set(facecolor="#ffcdd2") #红色
        elif countY > 2 and countX < 3:
            axes[countX][countY].set(facecolor="#FFF9C4") #黄色
        elif countY < 3 and countX > 2:
            axes[countX][countY].set(facecolor="#BBDEFB") #蓝色
        else:
            axes[countX][countY].set(facecolor="#B2DFDB") #绿色
            
        countY += 1 
    countX += 1 
fig.suptitle('RFM-毛利分析图', position=(.5,1), fontsize=35) # 标题
fig.text(0.5, 0.01, '光顾天数', ha='center', va='center', fontsize=20) # X轴标题
fig.text(0.01, 0.5, '购买频率', ha='center', va='center', rotation='vertical', fontsize=20) # Y轴标题
fig.show()

  • 上面的图中比较关键的部分是, 我们绘制了两次柱状图, 把柱子较高的先画, 柱子矮的后画, 叠放到一起之后, 就可以看到上面的效果

  • 业务解读:

    • 习惯集中购买的客群毛利的提升比较明显, 在营销预算有限的前提下, 我们将预算转移到集中购买的客群中可能会起到更好的效果

8、RFM顾客复购分析

8.1 复购分析

  • RFM中 recency无法处理的问题，下面两个用户那个用户更活跃？

  • 客户活跃度：CAI (Customer Active Index)

    • 评估下面三个用户的活跃程度，如果只是考虑次数， 不考虑间隔， 这三个用户活跃程度一样

    • 但实际上， C用户来的时间间隔越来越短， A的频率比较固定, B的时间间隔越来越长

    • 此时可以考虑加权计算活跃

      • A顾客:

      • B顾客:

  • 加载数据, 数据条目数更多

orders2 = pd.read_csv('data/orders_2.csv')
orders2.dropna(inplace = True)

  • RFM处理 代码与之前相同

orders2['values'] = 1
purchase_list2 = orders2.pivot_table(index=['clientId','gender','orderdate'], #分类条件
                          columns='product', # 透视表列名
                          aggfunc=sum, # 计算方式，max, min, mean, sum, len
                          values='values' #值
                          ).fillna(0).reset_index()

##### 频率计算 #####
#计算每个消费者在一定时期内购买产品的次数
purchase_list2['frequency'] = 1
frequency = purchase_list2.groupby("clientId", #分类条件
                                  as_index = False # 分类条件是否要取代Index
                                  )['frequency'].sum() 
# 删除该字段
del purchase_list2['frequency']

# 合并 frequency 
purchase_list2 =purchase_list2.merge(frequency, #即将合并的数据
                                   on = ['clientId'] # 两者时作为
                                   ,how='inner') # 合并的方式

##### 最近一次消费计算 #####
# 假设今天的日期就是数据集中最大的购买日期, 我们以这一天为基准考复购情况
theToday = datetime.datetime.strptime(orders['orderdate'].max(), "%Y-%m-%d")
# 转换日期时间格式
purchase_list2['orderdate'] = pd.to_datetime(purchase_list2['orderdate'])
# 计算theToday距离最后一次消费的时间差
purchase_list2['recency'] =( theToday - purchase_list2['orderdate'] ).astype(str)
# 將'recency'列中的days后缀去掉
purchase_list2['recency'] = purchase_list2['recency'].str.replace('days.*', #想取代的東西
                                                                  '', #取代成的東西
                                                                  regex = True)
# 将'recency'列全部转换成int
purchase_list2['recency'] = purchase_list2['recency'].astype(int)


purchase_list2['interval'] = purchase_list2.groupby("clientId", #分类条件
                                  as_index = True # 分类条件是否要取代Index
                                  )['orderdate'].diff()
purchase_list2.dropna(inplace = True)#刪除第一次來本店的数据
purchase_list2['interval'] = purchase_list2['interval'].astype(str) #转换成字符串
purchase_list2['interval'] = purchase_list2['interval'].str.replace('days.*', '').astype(int) #删掉day字段

purchase_list2

  • 计算第几次来店里

purchase_list2['cumsum'] = 1
purchase_list2['cumsum'] = purchase_list2.groupby("clientId")['cumsum'].cumsum()
purchase_list2

  • 计算活跃指数

#算平均
interval_mean = purchase_list2.groupby("clientId", as_index = False)['interval'].mean()
interval_mean.rename(columns={"interval": "interval_mean"}, inplace = True)

interval_mean


# 合并平均
purchase_list2 =purchase_list2.merge(interval_mean, # 要合并的资料
                                   on = ['clientId'] # 两张表链接的Key
                                   ,how='inner') # 合并的方式

purchase_list2


purchase_list2['weighted_average'] = purchase_list2['interval'] * purchase_list2['cumsum'] / (purchase_list2['frequency']*(purchase_list2['frequency'] -1)/2) / purchase_list2['interval_mean']
purchase_list2


clientId_weighted_average = purchase_list2.groupby("clientId", as_index = False)['weighted_average'].sum()
clientId_weighted_average['weighted_average'] = 1-clientId_weighted_average['weighted_average']
clientId_weighted_average

  • 以0作为基准

clientId_weighted_average['back_probability'] = np.where( clientId_weighted_average['weighted_average'] >= 0, 'good','bad')

clientId_weighted_average

  • 换成百分比

clientId_weighted_average['percentage'] = (clientId_weighted_average['weighted_average']  - clientId_weighted_average['weighted_average'].min()) / (clientId_weighted_average['weighted_average'].max() - clientId_weighted_average['weighted_average'].min()) *100

clientId_weighted_average

8.2 商品推荐清单

recommended_list = purchase_list2.groupby("clientId", #分类条件
                                  as_index = False # 分类条件是否要取代Index
                                  )['banana', 'milk', 'water'].sum() 

recommended_list


sort=[]
for i in range(len(recommended_list)):
    sort.append(' > '.join(recommended_list[['banana', 'milk', 'water']].iloc[i].sort_values(ascending=False).index.values))

clientId_weighted_average['recommended_list']=sort

#回来算Recency、Frequency
clientId_weighted_average['recency'] = purchase_list.groupby("clientId", #分类条件
                                                              as_index = False # 分类条件是否要取代Index
                                                              )['recency'].min()[['recency']] 
clientId_weighted_average['frequency'] = purchase_list.groupby("clientId", #分类条件
                                                              as_index = False # 分类条件是否要取代Index
                                                              )['frequency'].min()['frequency'] # 
clientId_weighted_average

莽撞少年
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
数据分析结果如何指导后续的产品运营！.docx
11-28
数据分析是产品运营中不可或缺的一环，它能提供深入洞察，帮助决策者制定更精准的战略。在将数据分析结果转化为实际操作时，需要遵循一系列步骤和原则。 首先，有价值的分析结果需紧密贴合业务场景。这意味着分析...
数据挖掘案例——基于RFM模型的药店会员价值分类
huangguohui_123的博客
07-26 3020
一、背景 “互联网+”及“大数据”的助力下，大部分药店实行会员制，从传统的品类驱动转为客户为中心的销售模式。经我们数据分析发现，目前药店会员的年销售占比差不多在60%左右，对会员的精细化管理，是重中之重。 如何进行会员的精细化管理？首先要建立合理的会员价值评估模型，对客户进行分类。 传统的用户价值评估模型主要是建立在RFM模型上，通过三个指标：最近消费时间间隔（Recency）、消费频率（Frequency）、消费金额（Monetary），依照各属性“均值”进行分区。但是该方式用明显的缺点： 细
最详细的 Python 结合 RFM 模型实现用户分层实操案例！
JackTian
05-25 1307
作者：Cherich_sun链接：https://www.jianshu.com/p/f020dfdce58d本文为读者投稿写在最前：做数据分析的小伙伴可能多多少少都知道一些分析方法，但是谈到分析思维却没有底气或者遇到业务问题，不知道如何下手。如果你有上述困惑，那么本篇文章可以作为参考。下图是整理的分析方法论及方法。如果能够灵活运用，将能够解决工作中 80% 以上问题。注意的是，方法论是思维层面，方法是执行层面。那么，重点是我们如何将其应用到实际业务中。本文将以 RFM 模型 为例，运用到实际案例中。（本文
毕业设计 大数据分析：客户价值分析 RFM模型
最新发布
Ydsf111的博客
04-12 413
Hi，大家好，这里是丹成学长，今天向大家介绍一个大数据项目大数据分析：电商产品评论数据情感分析大家可用于 毕业设计🧿选题指导, 项目分享：见文末**毕设帮助, 选题指导, 项目分享: **
最详细的RFM模型实操案例！让用户行为分析事半功倍
热门推荐
Leo的博客
01-13 1万+
如何让数据分析来帮助业务挣钱，这是每个数据分析师都会考虑的问题，近几年经常提到的精细化运营、数据驱动增长、增长黑客这样的字眼，这背后的核心就是用户行为分析。 而其中最经典的当属RFM模型吧，简单好操作而且还十分实用，下面就介绍一些怎么构建RFM模型。 一、什么是RFM模型？ R是指用户的最近一次消费时间，用最通俗的话说就是，用户最后一次下单时间距今天有多长时间了，这个指标与用户流失和复购直接...
RFM模型(大厂常用模型)
kakaely的博客
08-26 544
RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。该机械模型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项指标来描述该客户的价值状况。 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) 消费频率 (Frequency) 消费金额 (Monetary) ...
Python数据分析实战【三】：用python实现常用的用户分层模型（RFM模型）【文末源码地址】
高级数据分析师，分享Python知识
01-11 3584
1. RFM 模型的原理及代码实现 2. 使用 pandas 中的 read_sql 读取 sqlite 中的数据 3. 使用 to_datetime、map 方法计算距离用户上次消费所过去的天数 4. 使用 groupby+agg 方法统计消费频次、消费总金额 5. 使用 merge 方法合并 datafram 数据 6. 使用 quantile 方法计算用户消费数据的分位数
数据处理-22.RFM用户价值模型数据分析拆解
harry5952671的博客
04-14 763
用户价值模型是一种常用的客户细分和价值评估模型，通过分析客户的最近一次购买时间（Recency）、购买频率（Frequency）和消费金额（Monetary）等指标，对客户进行分类和评估，识别出高价值客户和低价值客户，以便于制定针对性的营销策略和服务。根据以上打分表，对于每个客户可以根据其RFM指标的值得到相应的分数，然后将三个指标的分数加权或平均，得到客户的综合得分，根据综合得分将客户分为高价值、中价值和低价值客户等不同分类。想要计算每个用户的RFM，通常我们需要的信息有：用户ID，消费时间，消费金额。
rfm是什么？这篇文章把概念和用法全讲清楚了！
Leo的博客
12-07 2887
客观： 利用客观的数字尺度，对客户进行简明而翔实的高水平描述。简单：只需要客户的消费时间和消费金额两个字段，业务人员就可以在不需要信息部门或复杂软件的情况下就能有效使用它。直观：这种分割方法的输出很容易理解和解释。
数据挖掘——RFM客户价值模型及航空公司客户分析实例
杨老师的小跟班(*∩_∩*)
11-17 2077
数据挖掘——RFM客户价值模型及航空公司客户分析实例
基于客观事实的 RFM 模型（Python 代码）
Python_xiaowu的博客
12-18 2033
CDA数据分析师 出品 01 背景 RFM（Recency Frequency Monetary）模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。 RFM模型是属于业务分析方法与模型中的部分。它的本质是用户分类。本文将用现代最流行的编程语言---Python语言来实践课堂上讲解的RFM模型，将用户进行分类。 本文采用Anaconda进行Python编译，主要涉及的Python模块： pandas ma...
基于Python的RFM模型电商数据分析及可视化.zip
08-31
基于Python的RFM模型电商数据分析及可视化.zip 该项目是个人大作业项目源码，评审分达到95分以上，都经过严格调试，确保可以运行！放心下载使用。 该项目资源主要针对计算机相关专业的学生或从业者下载使用，也可...
Python实现电子产品销售数据分析及RFM用户价值分析.rar
11-29
在电子产品的销售业务中，数据分析是一项至关重要的任务，它能够帮助我们理解市场趋势，优化产品策略，提升客户满意度，以及挖掘潜在的商业价值。在这个项目中，我们将利用Python这一强大的编程语言来对电子产品销售...
数据分析总结_02因素分解&RFM.pdf
03-12
对因素分解和RFM分析方法的框架介绍
不到70行Python代码，轻松玩转RFM用户分析模型（附案例数据和代码）
SeizeeveryDay的博客
10-24 6265
本文从RFM模型概念入手，结合实际案例，详解Python实现模型的每一步操作，并提供案例同款源数据，以供同学们知行合一。 注：案例所有源数据和代码在公号《数据不吹牛》后台回复“RFM建模”即可获取 看这篇文章前源数据长这样： 学完后只要敲一个回车，源数据就变成了这样： 是不是心动了？OK，闲话少叙，我们来开动正餐！ RFM，是一种...
RFM模型
chantisan的博客
11-29 575
　根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标： 最近一次消费(Recency) 消费频率(Frequency) 消费金额(Monetary) 最近一次消费 　　最近一次消费意指上一次购买的时候——顾客上一次是几时来店里、上一次根据哪本邮购目录购买东西、什么时候买的车，或在你的超市买早餐最近的一次是什么时候。...
金融大数据平台实现RFM客户价值分析
m0_75166363的博客
12-01 689
以上就是通过金融大数据平台帆软finebi对客户价值数据进行分析，通过三个关键指标实现RFM客户价值分析，并通过帆软图表的形式将其展现出来。这其中我们不仅要注意到三个关键指标的实现和说明，还要注意Tab组件和过滤组件的妙用。最后帆软金融大数据平台。
RFM模型总结
cjl的博客
12-07 2800
RFM模型1. 什么是RFM模型？2. RFM有什么作用？3. 怎么构建RFM模型 1. 什么是RFM模型？ RFM名词解释 R：最近一次消费（recency） 代表用户距离当前最后一次消费的时间 反向值 R越大 用户价值越低 F：消费频次（frequency） 用户在一段时间内，在产品内的消费频次，重点是我们对一段时间的定义 正向值 F越大 用户价值越高 M：消费金额（monetary） 代表用户的价值贡献 正向值 M越大 用户价值越高 8种分类 在其他领域中同样适用，需要结合实
rfm模型python_数据分析实战——用RFM模型分析客户价值
06-01
RFM模型是一种常用的客户价值分析模型，它通过分析客户的交易行为，将客户分为不同的等级，从而为企业提供精细化的营销策略。 在Python中，我们可以使用pandas和numpy等库来对RFM模型进行分析。具体步骤如下： 1. 数据预处理：将原始数据进行清洗和整理，例如删除重复数据、处理缺失值等。 2. 计算RFM指标：将每个客户的交易数据转化为RFM指标，其中R表示最近一次交易距离现在的天数，F表示客户在最近一段时间内的购买频率，M表示客户在最近一段时间内的购买金额。 3. RFM分值计算：对于每个RFM指标，我们可以根据客户在该指标上的表现，给予不同的分值。例如，在R指标上，最近一次交易距离现在的天数越短的客户，得分越高。 4. RFM分群：将客户根据RFM指标的得分，进行分群。通常我们可以根据业务需求，将客户分为3-5个等级。 5. 客户画像与营销策略：根据不同等级客户的特征，制定相应的营销策略，例如对高价值客户提供更多优惠，对低价值客户进行流失预警等。 以上就是RFM模型在Python中的应用流程，希望能对您有所帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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