基于python实现RFM分析
2020-03-25 本文已影响0人
桃子镇
CREATED BY TAO
一 .先了解一下什么是RFM分析，RFM分析是根据客户活跃程度和交易金额贡献，进行客户价值细分的一种客户细分方法。
RFM由R(Recency)进度，F(Frequency)频度，M(Monetary)额度组成。
R表示客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久。R值越小，表示客户交易发生的日期越近。
R表示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。F值越小，表示客户越不活跃。
M表示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。M值越小，表示客户价值越低。
这样不同分类组合，就形成了八种客户类型
RFM的八种客户类型
RFM的分析过程
FRM=100*R_S+10*F_S+1*M_S
二.接下来就是基于python来进行RFM分析
将csv数据导入python
查看数据框维度和数据框内的数据类型
一共有5列数据，每列有76050行
数据虽然有5列，5个字段，但真正参与分析的只有4个字段USERID、ORDERDATE、ORDERID、AMOUNTINFO
USERID列为客户ID、ORDERDATE列为时间列、OEDERTD列为订单ID、AMOUNTINFO列为金额列
可以看出有缺失值的列为ORDERDATE列和AMOUNTINFO列
第一步：进行数据清洗
查看AMOUNTINFO列中的最大值为30999
查看AMOUNTINFO列中的最大值为为0.5
（1）删除所有空值的行
删除所有为空值的行，并把数据添加到dt数据框中
（2）筛选AMOUNTINFO列的数据，因为金额的最小值为0.5，数值<1，因此要提取出AMOUNTINFO列中>1的数据进行分析
将数据提取出来后依然放入dt数据框，按照金额大小降序排列
查看dt数据框的维度和数据类型
删除和提取数据之后 dt数据框一共有5列数据，每列有75240行
（3）处理时间列的数据类型
已知时间列ORDERDATE的数据类型为Object、字符型
将ORDERDATE列处理为日期数据类型
查看ORDERDATE列的数据类型 为'<M8[ns]'
如上图
第二步：进行数据分析
（4）求日期到现在的距离
求日期到现在的距离，并把结果数据放入datediff列中
如上图
（5）从时间距离中获得天数
从时间距离中获得天数
如上图
（6）统计每个用户距离现在多久没有消费了，找到最小的最近消费距离
找出最近消费距离数据放入r_agg数据框中
查看r_agg列的数据维度，一共有2列，每列55143行
（7）统计每个用户交易的总次数，即对订单数计数
找出交易次数数据放入f_agg数据框中
查看f_agg列的数据维度，一共有2列，每列55143行
（8）统计每个用户交易的总金额，即对每次的交易金额求和
找出交易金额数据放入m_agg数据框中
查看m_agg列的数据维度，一共有2列，每列55143行
（9）使用merge函数把r_agg、f_agg、m_agg三个数据框关联起来
把三个数据框关联起来并放入aggData数据框中
更改aggData数据框的列名
FRM=100*R_S+10*F_S+1*M_S
(10)求R_S的得分
把得分数据放入r_s数据框中
最近消费距离列（recencyAgg）按照从小到大顺序排列，间隔距离越大也就是recencyAgg列的值越大，得分越小
因此，标签rlabels按照从大到小排列。
(11)求F_S的得分
把得分数据放入f_s数据框中
消费频次列（requencyAgg）的数据并未呈正态分布，所以未使用quantile函数，而是查看数据的分布情况按照分布情况的从小到大顺序进行排列，消费频次越大也就是frequencyAgg列的值越大，得分越大
因此，标签flabels按照从小到大排列。
(12)求M_S的得分
把得分数据放入m_s数据框中
消费金额列（monetaryAgg）按照从小到大的顺序排列，消费金额越大也就是monetaryAgg列的值越大，得分越大
因此，标签mlabels按照从小到大排列。
（13）将r_s、f_s、m_s添加到数据框aggData中
添加到数据框aggData中
查看aggData数据框中各列的数据类型
（14）将r_s、f_s、m_s列数据类型转换成数值型（int），再计算RFM得分
计算RFM得分
（15）为RFM得分添加标签
为RFM得分添加了标签并分成了八类，将数据放入level数据框中
如上图
（16）对客户等级列（level）进行分组，按照客户ID进行计数统计，并把数据放入customerlevels数据框中
将分组后的数据放入customerlevels数据框中
如上图
结论：
RFM模型可以对客户的终生价值做一个合理的预估，基于一个理想的客户特征来衡量现实中客户价值的高低，通过此类分析，定位最有可能成为品牌中式客户的群体，让我们把主要精力放在最有价值的用户身上开展精准营销。
细分出来的客户类型分布情况
各类客户的占比情况
CREATED BY TAO
