杜雨，EasyCharts团队成员，R语言中文社区专栏作者，兴趣方向为：Excel商务图表，R语言数据可视化，地理信息数据可视化。

个人公众号：数据小魔方（微信ID：datamofang） ，“数据小魔方”创始人。

精彩集锦

那些年倒腾的R语言学习笔记，全都在这里了~

左手用R右手Python系列之——表格数据抓取之道

左手用R右手Python系列——循环中的错误异常规避

左手用R右手Python系列——异常捕获与容错处理

左手用R右手Python系列——任务进度管理

左手用R右手Python——CSS网页解析实战

左手用R右手Python系列17——CSS表达式与网页解析

左手用R右手Python系列之——字符串格式化进阶

R语言数据分析笔记——Cohort 存留分析

左手用R右手Python系列之——字符串格式化进阶

R语言多任务处理与并行运算包——foreach

R语言学习笔记之——数据处理神器data.table

ggplot2学习笔记——图例系统及其调整函数

RFM模型是市场营销和CRM客户管理中经常用到的探索性分析方法，透过模型深入挖掘客户行为背后的价值规律，进而更好地利用数据价值推动业务发展和客户管理。

RFM是三种客户行为的英文缩写：

R：Recency  —— 客户最近一次交易时间的间隔。R值越大，表示客户交易距今越久，反之则越近；
F：Frequency—— 客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则不够活跃；
M：Monetary —— 客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则越低。

一般通过对RFM三个原始指标进行分箱操作（分位数法），获得三个指标各自的若干个水平因子（需要注意因子水平大小的对应的实际意义）。

R_S:基于最近一次交易日期计算得分，距离当前日期越近，则得分越高，否则得分越低；
F_S:基于交易频率计算得分，交易频率越高，则得分越高，否则得分越低；
M_S：基于交易金额得分，交易金额越高，则得分越高，反之得分越低。

同时为了对每个客户进行综合评价，也可将以上三个得分进行加权计算（权重规则可由专家制定或者营销人员自行根据业务决定，这里统一采用100:10:1）。

RFM = 100R_S + 10F_S + 1*M_S

RFM核心便是构建在R、F、M三个指标得分构成的立方体组合内，形成一个非常直观的客户价值矩阵。

最终通过对R_S、F_S、M_S三指标的得分组合，形成八种客户价值类型，营销人员可以通过以上组合形成的客户类群，针对性的进行活动营销，进而提升客户价值和营收水平。

通过RFM分析识别优质客户，可以据此制定个性化沟通与营销服务，可以为营销决策提供更好地支持。

以下是利用R语言构建RFM模型的简要步骤：

1、数据准备：

## !/user/bin/env RStudio 1.1.423## -*- coding: utf-8 -*-## RFM Model

#* 最近一次消费(Recency)      #* 消费频率(Frenquency)       #* 消费金额(Monetary)

Code Part

setwd('D:/R/File/')library('magrittr')library('dplyr')library('scales')library('ggplot2')library("easyGgplot2")library("Hmisc")  library('foreign')library('lubridate')mydata <- spss.get("trade.sav",datevars = '交易日期',reencode = 'GBK') names(mydata) <- c('OrderID','UserID','PayDate','PayAmount') start_time <- as.POSIXct("2017/01/01", format="%Y/%m/%d") %>%  as.numeric()end_time <- as.POSIXct("2017/12/31", format="%Y/%m/%d") %>%  as.numeric()set.seed(233333)mydata$PayDate <- runif(nrow(mydata),start_time,end_time) %>% as.POSIXct(origin="1970-01-01") %>% as.Date()mydata$interval <- difftime(max(mydata$PayDate),mydata$PayDate ,units="days") %>% round() %>% as.numeric()

按照用户ID聚合交易频次、交易总额及首次购买时间

salesRFM <- mydata %>% group_by(UserID) %>% summarise(Monetary = sum(PayAmount), Frequency = n(), Recency = min(interval))

2、计算得分

#分箱得分

salesRFM <- mutate(  salesRFM, rankR  = 6- cut(salesRFM$Recency,breaks = quantile(salesRFM$Recency, probs = seq(0, 1, 0.2),names = FALSE),include.lowest = TRUE,labels=F), rankF = cut(salesRFM$Frequency ,breaks = quantile(salesRFM$Frequency, probs = seq(0, 1, 0.2),names = FALSE),include.lowest = TRUE,labels=F),  rankM = cut(salesRFM$Monetary  ,breaks = quantile(salesRFM$Monetary,  probs = seq(0, 1, 0.2),names = FALSE),include.lowest = TRUE,labels=F),  rankRMF = 100*rankR + 10*rankF + 1*rankM)#标准化得分（也是一种计算得分的方法）

salesRFM <- mutate(salesRFM, rankR1 = 1-rescale(salesRFM$Recency,to = c(0,1)),  rankF1 = rescale(salesRFM$Frequency,to = c(0,1)),  rankM1 = rescale(salesRFM$Monetary,to = c(0,1)),  rankRMF1 = 0.5*rankR + 0.3*rankF + 0.2*rankM)

3、客户分类：

#对RFM分类：

salesRFM <- within(salesRFM,{R_S = ifelse(rankR > mean(rankR),2,1) F_S = ifelse(rankF > mean(rankF),2,1)  M_S = ifelse(rankM > mean(rankM),2,1)})

#客户类型归类：

salesRFM <- within(salesRFM,{Custom = NA  Custom[R_S == 2 & F_S == 2 & M_S == 2] = '高价值客户'  Custom[R_S == 1 & F_S == 2 & M_S == 2] = '重点保持客户'  Custom[R_S == 2 & F_S == 1 & M_S == 2] = '重点发展客户'    Custom[R_S == 1 & F_S == 1 & M_S == 2] = '重点挽留客户'  Custom[R_S == 2 & F_S == 2 & M_S == 1] = '重点保护客户'  Custom[R_S == 1 & F_S == 2 & M_S == 1] = '一般保护客户'  Custom[R_S == 2 & F_S == 1 & M_S == 1] = '一般发展客户'  Custom[R_S == 1 & F_S == 1 & M_S == 1] = '潜在客户'})

4、分析结果可视化：

4.1 查看RFM分箱后客户分布状况：

#RFM分箱计数

ggplot(salesRFM,aes(rankF)) + geom_bar()+ facet_grid(rankM~rankR) + theme_gray()

4.2 RFM热力图：

#RFM heatmap

heatmap_data <- salesRFM %>% group_by(rankF,rankR) %>% dplyr::summarize(M_mean = mean(Monetary))ggplot(heatmap_data,aes(rankF,rankR,fill =M_mean ))+geom_tile() + scale_fill_distiller(palette = 'RdYlGn',direction = 1)

4.3 RFM直方图：

#RFM直方图 

p1 <- ggplot(salesRFM,aes(Recency)) + geom_histogram(bins = 10,fill = '#362D4C')p2 <- ggplot(salesRFM,aes(Frequency)) + geom_histogram(bins = 10,fill = '#362D4C')  p3 <- ggplot(salesRFM,aes(Monetary)) + geom_histogram(bins = 10,fill = '#362D4C')  ggplot2.multiplot(p1,p2,p3, cols=3)

4.4 RFM两两交叉散点图：

#RFM 两两交叉散点图

p1 <- ggplot(salesRFM,aes(Monetary,Recency)) + geom_point(shape = 21,fill = '#362D4C' ,colour = 'white',size = 2)p2 <- ggplot(salesRFM,aes(Monetary,Frequency)) + geom_point(shape = 21,fill = '#362D4C' ,colour = 'white',size = 2)  p3 <- ggplot(salesRFM,aes(Frequency,Recency)) + geom_point(shape = 21,fill = '#362D4C' ,colour = 'white',size = 2)  ggplot2.multiplot(p1,p2,p3, cols=1)

5 数据结果导出

#导出结果数据write.csv(salesRFM,'salesRFM.csv')

Python:

1、数据准备

#!/usr/bin/env python3# -*- coding: utf-8 -*-

import timeimport numpy   as npimport pandas  as pd import savReaderWriter as spssimport osfrom  datetime import datetime,timedelta

np.random.seed(233333)os.chdir('D:/R/File') pd.set_option('display.float_format', lambda x: '%.3f' % x) with spss.SavReader('trade.sav',returnHeader = True ,ioUtf8=True,rawMode = True,ioLocale='chinese') as reader:    mydata = pd.DataFrame(list(reader)[1:],columns = list(reader)[0])    mydata['交易日期'] = mydata['交易日期'].map(lambda x: reader.spss2strDate(x,"%Y-%m-%d", None))    mydata.rename(columns={'订单ID':'OrderID','客户ID':'UserID','交易日期':'PayDate','交易金额':'PayAmount'},inplace=True)    start_time = int(time.mktime(time.strptime('2017/01/01', '%Y/%m/%d')))    end_time   = int(time.mktime(time.strptime('2017/12/31', '%Y/%m/%d')))    mydata['PayDate'] = pd.Series(np.random.randint(start_time,end_time,len(mydata))).map(lambda x: time.strftime("%Y-%m-%d", time.localtime(x)))    mydata['interval'] = [(datetime.now() - pd.to_datetime(i,format ='%Y %m %d')).days for i in mydata['PayDate']]    mydata = mydata.astype({'OrderID':'int64','UserID':'int64','PayAmount':'int64'})    print('---------#######-----------')    print(mydata.head())    print('---------#######-----------')    print(mydata.tail())   print('…………………………………………………………………………')           print(mydata.dtypes)    print('---------#######------------')

2、得分计算：

#按照用户ID聚合交易频次、交易总额及首次购买时间

mydata.set_index('UserID', inplace=True)salesRFM = mydata.groupby(level = 0).agg({    'PayAmount': np.sum,     'PayDate':  'count',     'interval':  np.min     }) # make the column names more meaningful

salesRFM.rename(columns={    'PayAmount': 'Monetary',    'PayDate': 'Frequency',    'interval':'Recency'    }, inplace=True)salesRFM.head()

#均值划分

salesRFM = salesRFM.assign( rankR = pd.qcut(salesRFM['Recency'],  q = [0, .2, .4, .6,.8,1.] , labels = [5,4,3,2,1]),  rankF   = pd.qcut(salesRFM['Frequency'],q = [0, .2, .4, .6,.8,1.] , labels = [1,2,3,4,5]),rankM = pd.qcut(salesRFM['Monetary'] ,q = [0, .2, .4, .6,.8,1.] , labels = [1,2,3,4,5]))salesRFM['rankRMF'] =  100*salesRFM['rankR'] + 10*salesRFM['rankF'] + 1*salesRFM['rankM']

#特征缩放——0-1标准化

from sklearn import preprocessingmin_max_scaler = preprocessing.MinMaxScaler()salesRFM1 = min_max_scaler.fit_transform(salesRFM.loc[:,['Recency','Frequency','Monetary']].values)salesRFM = salesRFM.assign(rankR1 = 1 - salesRFM1[:,0], rankF1 = salesRFM1[:,1], rankM1 = salesRFM1[:,2] )salesRFM['rankRFM1'] = 0.5*salesRFM['rankR1'] + 0.3*salesRFM['rankF1'] + 0.2*salesRFM['rankM1']

3、客户分类：

#对RFM分类：

salesRFM = salesRFM.astype({'rankR':'int64','rankF':'int64','rankM':'int64'})salesRFM = salesRFM.assign(  R_S = salesRFM['rankR'].map(lambda x: 2 if x > salesRFM['rankR'].mean() else 1), F_S = salesRFM['rankF'].map(lambda x: 2 if x > salesRFM['rankF'].mean() else 1), M_S = salesRFM['rankM'].map(lambda x: 2 if x > salesRFM['rankM'].mean() else 1))

#客户类型归类：

salesRFM['Custom'] = np.NaNsalesRFM.loc[(salesRFM['R_S'] == 2) & (salesRFM['F_S'] == 2) & (salesRFM['M_S'] == 2),'Custom']  = '高价值客户'salesRFM.loc[(salesRFM['R_S'] == 1) & (salesRFM['F_S'] == 2) & (salesRFM['M_S'] == 2),'Custom']  = '重点保持客户' salesRFM.loc[(salesRFM['R_S'] == 2) & (salesRFM['F_S'] == 1) & (salesRFM['M_S'] == 2),'Custom']  = '重点发展客户' salesRFM.loc[(salesRFM['R_S'] == 1) & (salesRFM['F_S'] == 1) & (salesRFM['M_S'] == 2),'Custom']  = '重点挽留客户' salesRFM.loc[(salesRFM['R_S'] == 2) & (salesRFM['F_S'] == 2) & (salesRFM['M_S'] == 1),'Custom']  = '重点保护客户'  salesRFM.loc[(salesRFM['R_S'] == 1) & (salesRFM['F_S'] == 2) & (salesRFM['M_S'] == 1),'Custom']  = '一般保护客户'  salesRFM.loc[(salesRFM['R_S'] == 2) & (salesRFM['F_S'] == 1) & (salesRFM['M_S'] == 1),'Custom']  = '一般发展客户'    salesRFM.loc[(salesRFM['R_S'] == 1) & (salesRFM['F_S'] == 1) & (salesRFM['M_S'] == 1),'Custom']  = '潜在客户'

RFM模型仅仅是一个前期的探索性分析，可以利用RFM模型输出的指标结果还可以进行其他分类以及降维模型的构建，深入探索客户数据价值，挖掘潜在营销点。

数据文件及code可以点击下面的GitHub链接获取：

https://github.com/ljtyduyu/DataWarehouse/tree/master/Model

如果你想要深入的去学ggplot2，但是又苦于平时学习、工作太忙木有时间研究浩如烟海的源文档，那也没关系，本小编最近花了不少功夫，把我自己学习ggplot2过程中的一些心得体会、学习经验、仿入坑指南精心整理，现已成功上线了R语言ggplot2可视化的视频课程，由天善智能独家发行，希望这门课程可以给你的R语言数据可视化学习带来更加丰富的体验。

相关课程推荐

体系全面，最具调性！R语言可视化&商务图表实战课程：

点击“阅读原文”开启新姿势