电商用户行为分析（三）

电商用户行为分析

2.3用户价值分析

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有3个神奇的要素，这3个要素构成了数据分析最好的指标：
最近一次消费 (Recency)
消费频率 (Frequency)
消费金额 (Monetary)

根据三个指标分数的高低，能大概将客户分成下面4类（1代表高，0代表低）
重要价值客户（111）、重要保持客户（011）
重要发展客户（101）、重要挽留客户（001）。

下面我们将根据已有的数据来搭建RFM模型（由于数据中没有金额所以我们只能打出R和F的分值)
也许更应该叫RF模型？
最近一次的消费即为用户最后消费的日期和12月3日的差值，消费频率则是在这9天里用户的消费次数，
首先我们要对消费次数和时间差进行分数的定义，
先计算出最大值和最小值

select max(消费次数), min(消费次数), max(时间差), min(时间差)
  from(select user_id,count(*) as 消费次数,datediff('2017-12-03', MAX(date)) as 时间差
	     from ubd
	     where behavior_type = 'buy'
	     group by user_id) as a

对于”最近一次消费“，时间差只有0-8，我们将其分为三个档次

分值	时间差
1	0-2天
2	3-5天
3	6-8天

同样我们将“消费频率“也分为三个档次

分值	消费次数
1	1-31次
2	32-63次
3	64-94次

其中上面这个sql语句中的子表a可以单独拿出来查询，这样就可以得到每个用户的情况了

select user_id,count(*) as 消费次数,datediff('2017-12-03', MAX(date)) as 时间差
from ubd
where behavior_type = 'buy'
group by user_id

以此来计算R和F的分值

select user_id,
(case when 时间差 BETWEEN  0 and 2 THEN 3
      when 时间差 BETWEEN  3 and 5 THEN 2	
      when 时间差 BETWEEN  6 and 8 THEN 1
      else null end
) as R,
(case when 消费次数 BETWEEN  1 and 31 THEN 1	
      when 消费次数 BETWEEN  32 and 63 THEN 2
      when 消费次数 BETWEEN  64 and 94