CREATED BY TAO

一 .什么是RFM分析，RFM分析是根據(jù)客戶活躍程度和交易金額貢獻，進行客戶價值細分的一種客戶細分方法。

RFM由R(Recency)進度，F(xiàn)(Frequency)頻度，M(Monetary)額度組成。R表示客戶最近一次交易時間的間隔。R值越大，表示客戶交易發(fā)生的日期越久。R值越小，表示客戶交易發(fā)生的日期越近。R表示客戶在最近一段時間內(nèi)交易的次數(shù)。F值越大，表示客戶交易越頻繁。F值越小，表示客戶越不活躍。M表示客戶在最近一段時間內(nèi)交易的金額。M值越大，表示客戶價值越高。M值越小，表示客戶價值越低。這樣不同分類組合，就形成了八種客戶類型.

RFM的八種客戶類型

RFM的分析過程

FRM=100*R_S+10*F_S+1*M_S

二.接下來就是基于python來進行RFM分析

將csv數(shù)據(jù)導(dǎo)入python

查看數(shù)據(jù)框維度和數(shù)據(jù)框內(nèi)的數(shù)據(jù)類型

一共有5列數(shù)據(jù)，每列有76050行

數(shù)據(jù)雖然有5列，5個字段，但真正參與分析的只有4個字段USERID、ORDERDATE、ORDERID、AMOUNTINFO

USERID列為客戶ID、ORDERDATE列為時間列、OEDERTD列為訂單ID、AMOUNTINFO列為金額列

可以看出有缺失值的列為ORDERDATE列和AMOUNTINFO列

第一步：進行數(shù)據(jù)清洗

查看AMOUNTINFO列中的最大值為30999

查看AMOUNTINFO列中的最大值為為0.5

（1）刪除所有空值的行

刪除所有為空值的行，并把數(shù)據(jù)添加到dt數(shù)據(jù)框中

（2）篩選AMOUNTINFO列的數(shù)據(jù)，因為金額的最小值為0.5，數(shù)值<1，因此要提取出AMOUNTINFO列中>1的數(shù)據(jù)進行分析

將數(shù)據(jù)提取出來后依然放入dt數(shù)據(jù)框，按照金額大小降序排列

查看dt數(shù)據(jù)框的維度和數(shù)據(jù)類型

刪除和提取數(shù)據(jù)之后?dt數(shù)據(jù)框一共有5列數(shù)據(jù)，每列有75240行

（3）處理時間列的數(shù)據(jù)類型

已知時間列ORDERDATE的數(shù)據(jù)類型為Object、字符型

將ORDERDATE列處理為日期數(shù)據(jù)類型

查看ORDERDATE列的數(shù)據(jù)類型 為'<M8[ns]'

如上圖

第二步：進行數(shù)據(jù)分析

（4）求日期到現(xiàn)在的距離

求日期到現(xiàn)在的距離，并把結(jié)果數(shù)據(jù)放入datediff列中

如上圖

（5）從時間距離中獲得天數(shù)

從時間距離中獲得天數(shù)

如上圖

（6）統(tǒng)計每個用戶距離現(xiàn)在多久沒有消費了，找到最小的最近消費距離

找出最近消費距離數(shù)據(jù)放入r_agg數(shù)據(jù)框中

查看r_agg列的數(shù)據(jù)維度，一共有2列，每列55143行

（7）統(tǒng)計每個用戶交易的總次數(shù)，即對訂單數(shù)計數(shù)

找出交易次數(shù)數(shù)據(jù)放入f_agg數(shù)據(jù)框中??

查看f_agg列的數(shù)據(jù)維度，一共有2列，每列55143行

（8）統(tǒng)計每個用戶交易的總金額，即對每次的交易金額求和

找出交易金額數(shù)據(jù)放入m_agg數(shù)據(jù)框中? ??

查看m_agg列的數(shù)據(jù)維度，一共有2列，每列55143行

（9）使用merge函數(shù)把r_agg、f_agg、m_agg三個數(shù)據(jù)框關(guān)聯(lián)起來

把三個數(shù)據(jù)框關(guān)聯(lián)起來并放入aggData數(shù)據(jù)框中

更改aggData數(shù)據(jù)框的列名

FRM=100*R_S+10*F_S+1*M_S

(10)求R_S的得分?

把得分數(shù)據(jù)放入r_s數(shù)據(jù)框中

最近消費距離列（recencyAgg）按照從小到大順序排列，間隔距離越大也就是recencyAgg列的值越大，得分越小

因此，標簽rlabels按照從大到小排列。

(11)求F_S的得分?

把得分數(shù)據(jù)放入f_s數(shù)據(jù)框中

消費頻次列（requencyAgg）的數(shù)據(jù)并未呈正態(tài)分布，所以未使用quantile函數(shù)，而是查看數(shù)據(jù)的分布情況按照分布情況的從小到大順序進行排列，消費頻次越大也就是frequencyAgg列的值越大，得分越大

因此，標簽flabels按照從小到大排列。

(12)求M_S的得分

把得分數(shù)據(jù)放入m_s數(shù)據(jù)框中

消費金額列（monetaryAgg）按照從小到大的順序排列，消費金額越大也就是monetaryAgg列的值越大，得分越大

因此，標簽mlabels按照從小到大排列。

（13）將r_s、f_s、m_s添加到數(shù)據(jù)框aggData中

添加到數(shù)據(jù)框aggData中

查看aggData數(shù)據(jù)框中各列的數(shù)據(jù)類型

（14）將r_s、f_s、m_s列數(shù)據(jù)類型轉(zhuǎn)換成數(shù)值型（int），再計算RFM得分

計算RFM得分

（15）為RFM得分添加標簽

為RFM得分添加了標簽并分成了八類，將數(shù)據(jù)放入level數(shù)據(jù)框中

如上圖

（16）對客戶等級列（level）進行分組，按照客戶ID進行計數(shù)統(tǒng)計，并把數(shù)據(jù)放入customerlevels數(shù)據(jù)框中

將分組后的數(shù)據(jù)放入customerlevels數(shù)據(jù)框中

如上圖

結(jié)論：

RFM模型可以對客戶的終生價值做一個合理的預(yù)估，基于一個理想的客戶特征來衡量現(xiàn)實中客戶價值的高低，通過此類分析，定位最有可能成為品牌中式客戶的群體，讓我們把主要精力放在最有價值的用戶身上開展精準營銷。

細分出來的客戶類型分布情況

各類客戶的占比情況

CREATED BY TAO