RFM模型

RFM模型是零售行业常用的用户分层工具,通过近度、频度和额度三个维度评估用户价值。它帮助区分用户层级,进行个性化服务,并预测长期价值。RFM模型在营销中应用广泛,用于识别高价值用户并优化营销资源分配。通过分析,客户被分为八级,如重要价值客户、重要发展客户等,以便制定相应策略。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

RFM模型是广泛使用于传统零售行业的用户分层模型,它主要以三个维度的数据来划分用户层级(质量高低),

RFM分别是:  

R(Recency):离某个时间点最近的一次消费,为【近度】维度; 

FFrequency:一段时间内的消费频次,为【频度】维度;  

M(Monetary):对应这段时间内的消费金额,为【额度】维度。  

通过

### RFM模型的代码实现 RFM模型的核心在于对客户数据中的三个关键指标进行提取和计算:最近一次消费时间(Recency)、消费频率(Frequency)以及消费金额(Monetary Value)。下面是一个完整的基于Python的RFM模型代码实现,适用于常见的交易数据集。 #### 数据准备 假设我们有一个包含以下列的数据集: - `CustomerID`:客户的唯一标识符。 - `OrderDate`:订单日期。 - `AmountSpent`:每次交易的金额。 这些数据通常可以从企业的销售数据库中获取。 --- #### Python代码实现 ```python import pandas as pd from datetime import timedelta, datetime # 创建示例数据 data = { 'CustomerID': ['Cust1', 'Cust2', 'Cust1', 'Cust3', 'Cust2', 'Cust4', 'Cust1'], 'OrderDate': [ '2023-09-01', '2023-08-15', '2023-07-20', '2023-06-10', '2023-05-01', '2023-04-15', '2023-03-01' ], 'AmountSpent': [100, 200, 150, 300, 250, 400, 50] } df = pd.DataFrame(data) # 将OrderDate转换为datetime格式 df['OrderDate'] = pd.to_datetime(df['OrderDate']) # 定义当前日期(通常是运行代码时的实际日期) current_date = df['OrderDate'].max() + timedelta(days=1) # 假设今天是最后订单日的下一天 # 计算RFMrfm_df = ( df.groupby('CustomerID') .agg( Recency=(lambda x: (current_date - x['OrderDate'].max()).dt.days), # 最近一次购买距今天数 Frequency=('OrderDate', 'nunique'), # 购买次数 MonetaryValue=('AmountSpent', 'sum') # 总消费金额 ) ).reset_index() # 打印RFM结果 print(rfm_df) ``` --- #### 输出解释 上述代码会生成一个包含每个客户RFM值的结果表。例如: | CustomerID | Recency | Frequency | MonetaryValue | |------------|---------|-----------|---------------| | Cust1 | 62 | 3 | 300 | | Cust2 | 78 | 2 | 450 | | Cust3 | 92 | 1 | 300 | | Cust4 | 108 | 1 | 400 | 其中: - **Recency** 表示该客户最后一次购买距离当前日期的天数。 - **Frequency** 是该客户总的购买次数。 - **MonetaryValue** 是该客户总消费金额。 --- #### 进一步扩展:RFM评分与分组 为了更方便地分析客户价值,可以将每个维度分成若干等级(如五级),并赋予相应的分数。 ```python # 对RFM值进行打分(反向打分:R越小越好;F&M越大越好) quantiles = rfm_df.quantile(q=[0.2, 0.4, 0.6, 0.8]) quantiles = quantiles.to_dict() def calculate_r_score(x): if x <= quantiles['Recency'][0.2]: return 5 elif x <= quantiles['Recency'][0.4]: return 4 elif x <= quantiles['Recency'][0.6]: return 3 elif x <= quantiles['Recency'][0.8]: return 2 else: return 1 def calculate_fm_score(x, col_name): if x >= quantiles[col_name][0.8]: return 5 elif x >= quantiles[col_name][0.6]: return 4 elif x >= quantiles[col_name][0.4]: return 3 elif x >= quantiles[col_name][0.2]: return 2 else: return 1 # 应用评分函数 rfm_df['R_Score'] = rfm_df['Recency'].apply(calculate_r_score) rfm_df['F_Score'] = rfm_df['Frequency'].apply(lambda x: calculate_fm_score(x, 'Frequency')) rfm_df['M_Score'] = rfm_df['MonetaryValue'].apply(lambda x: calculate_fm_score(x, 'MonetaryValue')) # 合并RFM综合得分 rfm_df['RFM_Score'] = rfm_df[['R_Score', 'F_Score', 'M_Score']].sum(axis=1) # 打印最终结果 print(rfm_df) ``` 通过这种方式,可以获得每个客户的综合RFM得分,并据此划分客户群体。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值