Python之RFM建模分析

1、RFM模型的含义

  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。
  该模型通过一个客户的近期购买行为®、购买的总体频率(F)以及花了多少钱(M)三项指标来描述该客户的价值状况，从而能够更加准确地将成本和精力更精确的花在用户层次身上，实现针对性的营销。
  详细来说，R指的是客户最后一次下单时间距离今天多少天了，该指标与客户的复购和流失直接相关。F指标指的是客户的下单频率，即客户在某个时间段内共消费了多少次，该指标用于衡量客户消费的活跃度。M指标指的是客户在该时间段内共消费了多少钱，该指标用于反应客户对于公司的贡献值。

2、RFM分析的前提条件

• 最近有过交易行为的客户，再次发生交易行为的可能性高于最近没有交易行为的客户。
• 交易频率高的客户，比交易频率低的客户，更有可能再次发生交易行为。
• 过去所有交易总金额较大的客户，比过去所有交易总金额较小的客户，更有消费积极性。

3、原始数据

  本文数据集

RFM淘宝建模数据集免费版-机器学习文档类资源-CSDN下载

如果有需要的话，可以留言获取。如果觉得本文写的还不错，可以关注一下，获取更多精彩文章。
  原始数据集在这里先展示一下，让你对这个数据有一个主观印象。

4、数据处理

1）什么是R、F、M呢？

• “R”表示最近一次消费时间距离今天共有多少天。什么是最近一次消费时间呢？如果同一个人在不同时间有不同多个订单，那么该时间距离当前时间的差值的最小值，就是最近一次消费时间。
• “F”表示某个人一段时间内的消费频次。
• “M”表示一段时间内的消费总额。
• 

 

 2）所有代码来了

from operator import index
from pickle import FALSE
from numpy import loadtxt
from numpy import sort
from matplotlib import pyplot
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

#熟悉数据
df = pd.read_excel(r'C:\Users\Administrator\Desktop\RFM.xlsx')
print(df.shape)
print(df.sample(5))

print('-------------------------保留有效数据---------------------------------------------------------')
'''
针对此数据集，我们先说一下什么是“有效数据”。“有效数据”指的就是有效购买，也就是说对应的“订单状态”字段显示的是“交易成功”，对于“退款”的记录，我们就直接将这个数据剔除掉。
'''
#保留有效数据
print("剔除之前共有："+ str(df.shape[0]) + "条记录")
df = df[df["订单状态"]=="交易成功"]
print("剔除之后共有："+ str(df.shape[0]) + "条记录")

print('----------------------------选取有效字段 ------------------------------------------------------')
'''
通过上面的分析，我们知道了“R”、“F”、“M”三个指标的概念。鉴于此，我们只需要选取"买家昵称",“付款时间”,"实付金