Lesson 33 RFM分析

根據客戶活躍程度和交易金額貢獻，進行客戶價值細分的方法
R（Recency）近度： 客戶最近一次交易時間的間隔；R越大，表示客戶越久沒發(fā)生過交易；
F（Frequency）頻度：客戶在最近一段時間內交易的次數；F越大，表示客戶交易越頻繁
M（Monetary）額度：客戶在最近一段時間內交易的金額；M越大，表示客戶價值越高

RFM分析過程

• 計算RFM各項分值
  R_S 距離當前日期越近，得分越高，最高5分，最低1分
  F_S 交易頻率越高，得分越高，最高5分，最低1分
  M_S 交易金額越高，得分越高，最高5分，最低1分
• 匯總RFM分值
  RMF = 100 * R_S + 10 * F_S + 1 * M_S
• 根據RFM 分值對客戶分類

RFM分析前提

• 最近有過交易行為的客戶，再次發(fā)生交易的可能性要高于最近沒有交易行為的客戶
• 交易頻率較高的客戶比交易頻率較低的客戶，更有可能再次發(fā)生交易行為
• 過去所有交易總金額較多的客戶，比交易總金額較少的客戶，更有消費積極性

常規(guī)RFM數據格式

#對R, F, M進行聚合運算
#R_Agg用的是Python 3寫法，否則有warning
R_Agg = data.groupby(
    by=['CustomerID']
)['DateDiff'].agg(numpy.min).rename('amin': 'RecencyAgg')

F_Agg = data.groupby(
    by=['CustomerID']
)['OrderID'].agg({
    'FrequencyAgg': numpy.size
})

M_Agg = data.groupby(
    by=['CustomerID']
)['Sales'].agg({
    'MonetaryAgg': numpy.sum
})

#把聚合后的結果匯總進一張表
aggData = R_Agg.join(F_Agg).join(M_Agg)

#對R, M, F score利用正態(tài)分布分組，都是分成五組
bins = aggData.RecencyAgg.quantile(
    q=[0, 0.2, 0.4, 0.6, 0.8, 1],
    interpolation='nearest'
)
#避免最小值不閉合的錯誤
bins[0] = 0
labels = [5, 4, 3, 2, 1]
R_S = pandas.cut(
    aggData.RecencyAgg, 
    bins, labels=labels
)

bins = aggData.FrequencyAgg.quantile(
    q=[0, 0.2, 0.4, 0.6, 0.8, 1],
    interpolation='nearest'
)
bins[0] = 0;
labels = [1, 2, 3, 4, 5];
F_S = pandas.cut(
    aggData.FrequencyAgg, 
    bins, labels=labels
)

bins = aggData.MonetaryAgg.quantile(
    q=[0, 0.2, 0.4, 0.6, 0.8, 1],
    interpolation='nearest'
)
bins[0] = 0
labels = [1, 2, 3, 4, 5]
M_S = pandas.cut(
    aggData.MonetaryAgg, 
    bins, labels=labels
)

#根據行業(yè)專家給出的經驗公式，計算RFM得分
aggData['RFM'] = 100*R_S.astype(int) + 10*F_S.astype(int) + 1*M_S.astype(int)

/*按照RMF對用戶類型的劃分，將所有用戶分成8類：
高價值客戶，重點保持客戶，重點發(fā)展客戶，重點挽留客戶，
一般價值客戶，一般保持客戶，一般發(fā)展客戶，潛在客戶*/
bins = aggData.RFM.quantile(
    q=[
        0, 0.125, 0.25, 0.375, 0.5, 
        0.625, 0.75, 0.875, 1
    ],
    interpolation='nearest'
)
bins[0] = 0
labels = [1, 2, 3, 4, 5, 6, 7, 8]
aggData['level'] = pandas.cut(
    aggData.RFM, 
    bins, labels=labels
)

Lesson 34 矩陣分析

根據事物（如產品，服務等）的兩個重要屬性（指標）作為分析的依據，進行關聯分析，找出解決問題的一種分析方法
matplotlib相關問題后續(xù)學習