15、客户数据的RFM分析与聚类方法

客户数据的RFM分析与聚类方法

在数据处理过程中，数据丢失是一个常见的问题。为了避免这种情况，我们可以将处理好的数据保存为CSV文件，方便后续继续处理。以下是保存客户RFM（Recency, Frequency, Monetary Value）数据的代码：

#We now have a clean file with customers and their RFM values.
#(recency, frequency, monetary value)
#To save time in the future, we will write this to a csv.
write.csv(customer_rfm, 'D:/Data/customer_rfm.csv')

数据分析方法概述

完成数据处理后，我们可以对数据进行分析。这里将采用六种不同的分析技术，虽然有些冗余，但能展示不同的数据分析方式：
1. 帕累托原则
2. k-means聚类
3. k-medoid聚类
4. 层次聚类
5. 手动聚类

重温帕累托原则

帕累托原则指出，80%的销售额由20%的客户贡献。我们的数据与这一原则的契合度如何？又如何确定哪些客户贡献了80%的销售额呢？可以将这个概念分解为以下步骤：
1. 计算80%销售额的临界值。
2. 按货币价值从大到小对数据框进行排序。
3. 创建一个列，包含货币价值的累积和。
4. 如果累积和小于临界值，则将客户标记为“Top 20”；如果大于临界值，则标记为“Bo