RFM模型的理解和python案例分析

最新推荐文章于 2022-10-19 21:11:52 发布

原创

最新推荐文章于 2022-10-19 21:11:52 发布 · 2.6k 阅读

15 ·

CC 4.0 BY-SA版权

文章标签：

#RFM #数据分析 #python #大数据

RFM模型是客户关系管理中的关键分析工具，通过R（最近一次交易时间）、F（交易频率）和M（交易金额）评估客户价值。本文详细介绍了RFM模型的概念、分类方法，并提供了一个Python数据分析案例，包括数据准备、量化指标、标准值比较及用户分类。通过pandas处理数据，计算RFM指标并进行定性分析，最终实现客户细分，为精细化运营提供依据。

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，从而做出一些精细化营销的行为。

具体的RFM定义如下：

R（Recency）：最近的一次交易时间与现在的时间间隔
F（Frequency）：用户在一段时间内的交易次数
M（Monetary）：用户在一段时间内的交易金额总数

RFM客户分类

RFM模型的核心目的就是对用户黏性、忠诚度和收入这三个维度进行数值定量分析，然后和平均数（中位数）对比得到定性描述（高或低），最后将客户分成8个不同的种类，对各类客户实施精细化的营运方案。

具体分类如下

在这里插入图片描述

怎么使用RFM模型

数据准备

首先是通过数据清晰和加工得到如下的表格，得到RFM相关的一些指标。

在这里插入图片描述

量化RFM指标

接着按照一定的规则对RFM这三个值进行打分（可以通过某种函数进行映射，也可指直接照搬或者归一化）

在这里插入图片描述

取标准值进行高低比较

对量化之后的数据进行统计，一般选择平均值means，或者中间数median作为一个高低的评判标准。

在这里插入图片描述

用户分类规则

通过和上面的标准值进行比较，可以得到某个分维度是高还是低的定性评判。最后根据用户分类规则表（类似于一个字典），将用户划分到相应的子类别中去。

在这里插入图片描述

python案例分析

用pandas读取excel数据

首先加载一组数据

import numpy as np
import pandas as pd
df = pd.read_excel("电商订单数据分析.xlsx")

df中的数据如下所示

在这里插入图片描述

查看数据分布和特点

然后使用如下命令查看数据更多的一些细节

df.head(5)
df.info()		# 查看数据的列数，即每一列的名称和数据类型
df.describe()	# 查看每列数据的平均数、最值等统计数据
df.values
df.to_numpy()	# 把DataFrame数据结构转换成numpy的结构
df.shape		# 返回DataFrame数据结构的行数和列数
df.dtypes		# 返回DataFrame数据结构每一个columns的数据类型
df['地区'].unique()	# 查看一个具体的columns有哪些类目并去重

使用pivot_table观察数据

用透视表查看不同维度下的成交总额

pd.pivot_table(df,index=[u'类别',u'子类别'],columns=

最低0.47元/天解锁文章