【Python】RFM模型实现

1 RFM模型

RFM模型：根据用户历史行为数据，结合业务理解，实现用户分层分类，助力用户的精准营销，是衡量客户价值和客户创利能力的重要工具和手段

Recency 最近一次消费
Frequency 消费频次
Money 消费金额

客户标签	客户标签	运营方向	客户状态	R	F	M
重要价值用户	VIP客户	保持现状	最近交易时间近、交易频率和交易金额高，“两高一近”	1	1	1
重要发展用户	频次深耕客户	提升频次	最近交易时间近，交易金额高，但交易次数少；不太活跃，忠诚度不高，需要通过相关激励，提高其购买频率。	1	0	1
重要保持用户	流失预警VIP客户	用户回流	交易金额和交易频次都很高，但最近一次交易时间远，很长时间没来的忠实客户，需要主动和客户互动，及时唤回。	0	1	1
重要挽留用户	高消费换回客户	重点召回	交易金额高，但最近交易时间远、交易频次低；消费力较高，是潜在的价值客户，需要重点维持。	0	0	1
一般价值用户	消费潜力客户	刺激消费	最近交易时间近、交易频次也高，唯独交易金额小，属于低客单价群体。分为两种情况，低价高利润产品可适当维持及发展；低价低利润不需要额外大量投资预算维持。	1	1	0
一般发展用户	新客户	挖掘需求	最近交易时间近，但交易频次和交易金额小，说明属于意向用户，有推广价值，以此提高交易频次和交易金额。	1	0	0
一般保持用户	一般客户	流失召回	交易次数多，但是贡献不大，一般维持即可。	0	1	0
一般挽留用户	流失客户	可放弃治疗	最近交易时间远、交易频次和交易金额也都很小，贡献度最小，如果不需要额外的运营预算和精力，也可适当进行维护。	0	0	0

2 Python实现

2.1 数据结果

# -*- coding: utf-8 -*-
# In[0] 导入库
import numpy as np
import pandas as pd
import datetime as dtimport matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False# In[1] 数据处理
df = pd.read_csv('F://Retail_Data_Transactions.csv')df["trans_date"] = pd.to_datetime(df["trans_date"])
print(df['trans_date'].min(), df['trans_date'].max())
R_today = dt.datetime(2015,3,17)
df['R_diff'] = (R_today - df['trans_date']).dt.daysR = df.groupby(by=['customer_id'])['R_diff'].agg([('R_diff','min')])
F = df.groupby(by=['customer_id'])['customer_id'].agg([('F_fre','count')])
M = df.groupby(by=['customer_id'])['tran_amount'].agg([('M_sum',sum)])# In[2.1] 直接加权划分， 权重：R0.3，F0.4，M0.3
RFM = R.join(F).join(M)
RFM['r_score'] = pd.cut(RFM['R_diff'], 5, labels=[5, 4, 3, 2, 1])
RFM['f_score']  = pd.cut(RFM['F_fre'], 5, labels=[1, 2, 3, 4, 5])
RFM['m_score']  = pd.cut(RFM['M_sum'], 5, labels=[1, 2, 3, 4, 5])RFM['r_s']=pd.factorize(RFM['r_score'])[0]
RFM['f_s']=pd.factorize(RFM['f_score'])[0]
RFM['m_s']=pd.factorize(RFM['m_score'])[0]RFM["RFMsum"] = RFM['r_s']*0.3+RFM['f_s']*0.4+RFM['m_s']*0.3
labels = ['一般挽留用户','一般发展客户','一般保持客户','一般价值客户','重要挽留客户','重要发展客户','重要保持客户','高价值客户']
RFM['labels_1'] = pd.cut(RFM["RFMsum"], bins=8, labels=labels, include_lowest=True)# In[2.2] RFM直接组合
dftmp = RFM.copy()dftmp['r']= (dftmp['R_diff']<dftmp['R_diff'].mean())*1
dftmp['f']= (dftmp['F_fre']>dftmp['F_fre'].mean())*1
dftmp['m']= (dftmp['M_sum']>dftmp['M_sum'].mean())*1dftmp['r'] = dftmp['r'].astype('string')
dftmp['f'] = dftmp['f'].astype('string')
dftmp['m'] = dftmp['m'].astype('string')
RFM['rfm'] = dftmp['r'].str.cat(dftmp['f']).str.cat(dftmp['m'])RFM['lables'] = RFM['rfm'].apply(lambda x : '重要价值用户(VIP)' if x=='111'else '重要发展用户(频次深耕)' if x=='101'else '重要保持用户(流失预警)' if x=='011'else '重要挽留用户(重点召回)' if x=='001'else '一般价值用户(刺激消费)' if x=='110'else '一般发展用户(挖掘需求)' if x=='100'else '一般保持用户(流失召回)' if x=='010'else '一般挽留用户(流失放弃)' if x=='000'else x)

2.2 图像展示

# In[3] 气泡图，8个类别显示不明显
categories = np.unique(RFM['lables'])
colors = [plt.cm.tab10(i / float(len(categories) - 1)) for i in range(len(categories))]fig = plt.figure(figsize=(10, 6), dpi=120, facecolor='w', edgecolor='k')for i, category in enumerate(categories):plt.scatter('F_fre', 'M_sum', data=RFM.loc[RFM.lables == category, :], s=RFM.loc[RFM.lables == category, 'R_diff'], c=np.array(colors[i]).reshape(1, -1), edgecolors=np.array(colors[i]).reshape(1, -1), label=str(category), alpha=0.7, linewidths=.5)plt.gca().set(xlim=(0, 40), ylim=(0, 3000),xlabel='F', ylabel='M')
plt.xticks(fontsize=10)
plt.yticks(fontsize=10)
plt.title('客户RFM分类模型图', fontsize=18)
plt.legend(loc='best',fontsize=10,frameon=True,markerscale=0.5)
plt.show()# In[4] 3D散点图
import matplotlib as mplax = plt.subplot(projection = '3d')
ax.set_title('客户RFM分类模型图', fontsize=18)for i, category in enumerate(categories):ax.scatter('R_diff','F_fre', 'M_sum', data=RFM.loc[RFM.lables == category, :], s=RFM.loc[RFM.lables == category, 'R_diff'], c=np.array(colors[i]).reshape(1, -1), edgecolors=np.array(colors[i]).reshape(1, -1), label=str(category), alpha=0.7, linewidths=.5)ax.set_xlabel('R')
ax.set_ylabel('F')
ax.set_zlabel('M')legend_lines = [mpl.lines.Line2D([0], [0], linestyle="none", marker='o', c=colors[y]) for y in range(len(categories))]
ax.legend(legend_lines, categories, numpoints=1, title='客户RFM分类模型图')plt.show()# In[5] 直方图data = RFM.groupby('lables')['rfm'].count().sort_values(ascending = False)
plt.figure(figsize=(8,6))
data.plot(kind='bar', width=0.6)plt.ylabel(u'客户数量')
p = 1.0*data.cumsum()/data.sum()
p.plot(color = 'r', secondary_y = True, style = '-o',linewidth = 2)for i in range(len(p)):plt.annotate(format(p[i], '.2%'),xy = (i, p[i]), xytext=(i*1.005, p[i]*1.005))plt.ylabel(u'客户数量（比例）')
plt.show()

【Python】RFM模型实现相关推荐

python给用户打标签_用Python实现RFM模型——互联网产品用户分层必备技巧
1.前言 RFM模型即"R"--Recency(最近一次消费时间)."F"--Frequency(一段时间内消费频次)."M"--(一段时间 ...
RFM模型的理解和python案例分析
RFM模型是什么 RFM是客户关系管理(CRM:Customer Relationship Management)中一种重要的分析模型,通过研究一个客户的交易时间.交易频率和交易总金额来衡量客户的价值 ...
python 估值模型_基于Python的客户价值细分模型（RFM）
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(recency).购买的总体频率( ...
Python 某电子产品销售数据分析报告及RFM模型（一）
关注微信公共号:小程在线关注CSDN博客:程志伟的博客 Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64 ...
python数据分析实战之用户分析及RFM模型分析
理论基础知识可以看我之前的博客: 1.python之Numpy知识点详细总结 2.python最最最重要的数据分析工具之pandas 3.pandas之表连接与高级查询也可以进入我的专栏:欢迎订阅哦 ...
python 估值模型_利用RFM模型建模，并通过聚类分析、分类，分别算出8中不同的价值会员...
RFM-Clustering 利用RFM模型建模,并通过聚类分析.分类,分别算出8中不同的价值会员 RFM模型构建会员价值标签 R:最近一次消费(Recency) F:消费频率(Frequency) ...
【python数据运营】Task02 会员RFM模型的学习和运用
文章目录前言 1 RFM模型介绍 2 代码实践 (1) 导入库 (2) 读取数据 (3) 数据审查 (4) 数据预处理,去除缺失值和异常值 (5) 确定RFM划分区间 (6)计算RFM因子权重 (7 ...
基于客观事实的 RFM 模型（Python 代码）
CDA数据分析师出品 0 1 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 ...
Python数据挖掘-RFM模型K-means聚类分析-航空公司客户价值分析
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 ...

【Python】RFM模型实现

【Python】RFM模型实现

1 RFM模型

2 Python实现

2.1 数据结果

2.2 图像展示

【Python】RFM模型实现相关推荐

最新文章

热门文章