RFM模型

最新推荐文章于 2025-02-28 15:49:47 发布

蜡M·焦作人

最新推荐文章于 2025-02-28 15:49:47 发布

阅读量629

点赞数 1

文章标签： python mysql

本文链接：https://blog.youkuaiyun.com/kuailerenzha/article/details/131821076

版权

一、RFM模型简介

1.什么是RFM模型
RFM是一个比较原生的客户价值分群模型，是通过在某段时间内一个客户的最近的消费时间、总体购买频率、购买总金额这三个维度来描述该客户价值状况的客户分类模型。
2.三个维度
最近一次消费距离(Recency)：这个值越小对我们来说价值越大
某段时间内消费次数 (Frequency)：这个值越大越好
某段时间内消费总金额 (Monetary)：这个值越大越好
3.客户价值分类标签
RFM划分图

R	F	M	价值分类
1	1	1	重要价值客户
0	1	1	重要保持客户
1	0	1	重要发展客户
0	0	1	重要挽留客户
1	1	0	一般价值客户
0	1	0	一般保持客户
1	0	0	一般发展客户
0	0	0	一般挽留客户

4.如何进行分类
本次仅仅使用均值进行划分，大于均值为1，小于均值为0；

二、数据集情况

数据集来自于阿里天池：https://tianchi.aliyun.com/dataset/148605
注：字段有所改变

三、Python代码实现

核心代码

import  numpy as np
from sqlalchemy import create_engine
import pandas as pd
conn = create_engine('mysql+pymysql://root:704256345@127.0.0.1:3306/sq?charset=utf8')
sql="select * from `user_action` where `behavior_type`=4;"
df = pd.read_sql(sql,conn)
rfm=df.pivot_table(index="user_id",values=["time","item_id","cost"],aggfunc={"time":"max","item_id":"count","cost":"sum"})
rfm["R"]=-(rfm["time"]-rfm["time"].max())/np.timedelta64(1,"D") ##取相差天数保留一位小数
rfm.rename(columns={"item_id":"F","cost":"M"},inplace=True)
def rfm_func(x):
    level=x.apply(lambda x:"1" if x>=1 else "0")
    label=level["R"]+level["F"]+level["M"]
    d={
        "111":"重要价值客户",
        "011":"重要保持客户",
        "001":"重要挽留客户",
        "010":"一般保持客户",
        "110":"一般价值客户",
        "101":"重要发展客户",
        "100":"一般发展客户",
        "000":"一般挽留客户"
    }
    result=d[label]
    return result
rfm["label"]=rfm[["R","F","M"]].apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)

四、模型调优

1.指标
在实际的业务中需要根据维度进行调优；
example：一些较难成交的业务，可以使用活跃度替换的消费频率以及消费总金额

2.维度
原始的RFM模型仅仅从最近一次消费时间、消费频率、消费总金额这三个维度进行分析，实际业务中需要对维度进行增删。

五、策略

价值分类	策略
重要价值客户	SVIP客户，需要重点关注。
重要保持客户	给予优惠券或其他手段吸引到店
重要发展客户	签到活动，提高复购率
重要挽留客户	回归礼包、专属客户询问原因
一般价值客户	给予进阶的服务，推荐高价值的商品
一般保持客户	给予小额优惠券吸引到店
一般发展客户	提高复购率
一般挽留客户	放弃，召回成本低可以考虑召回