游戏付费用户RFM分析案例

前言：

该案例由随机生成数据模拟半年时间内，对游戏用户充值金额情况进行用户价值分层

数据特征：

所有数据均为随机生成数据，一共有三个数据特征，分别是

r_datatime：充值时间，时间截格式，由radar库生成，时间范围为：2022-6-1至2022-12-30

r_uid：用户ID，字符串格式，由numpy库生成，以9开头生成1000个用户ID

r_price：充值金额，数值格式，由numpy库生成，随机抽取[10,60,180,300,680,1180,1980,3480,6480]中的一个充值面额

实践思路：

1.导入相关模块，生成随机数据

2.设置数据格式和调整显示方式

3.搭建RFM用户价值分层模式

4.按等距分箱的形式给用户打分

5.统计各层用户数量情况

案例详解：

导入相关模块，如果没有，则手动安装，安装方式： pip install 库名

import pandas as pd    # pip install pandas
import radar           # pip install radar
import numpy as np     # pip install numpy

生成随机时间

时间选取了2022年下半年，可自行调整时间节点

r_datatime = []
for d in range(10000):d = str(radar.random_datetime("2022-6-1", "2022-12-30"))r_datatime.append(d)

生成随机金额

充值面额参考了王者荣耀的充值面额，可自行调整面额数值

# 生成随机金额
r_price = []
for p in range(10000):p = np.random.choice([10, 60, 180, 300, 680, 1180, 1980, 3480, 6480])r_price.append(p)

生成1000个用户（以9开头）

数据总行数为10000条，可根据需求自行调整用户个数

r_uid = []
for u in range(10000):u = str(np.random.randint(999999000, 1000000000))r_uid.append(u)

合并数据

注：每行数据均表示为2022-6-1至2022-12-30期间，1000个用户中的一个用户充值了随机面额

data = pd.DataFrame(data={"uid": r_uid, "price": r_price, "date": r_datatime})

设置数据格式和调整显示方式

pd.set_option('expand_frame_repr', False)  # 当列太多时显示不清楚
pd.set_option('display.unicode.east_asian_width', True)  # 设置输出右对齐
data['date'] = data['date'].astype('datetime64[ns]')
data['date'] = pd.to_datetime(data['date']).dt.floor('d')  # 调整时间格式，只保留日期

注意：生成用户ID时，已设置调整为字符串格式，而randint是随机生成指定范围内的整数，只有时间需要另外调整格式

搭建RFM用户价值分层模式

RFM = data.groupby('uid', as_index=False).agg(last_date=('date', 'max'),F=('date', 'count'),M=('price', 'sum'))
RFM['R'] = (pd.to_datetime('2022-12-31') - RFM['last_date']).dt.days
RFM.drop(columns=['uid', 'last_date'], inplace=True)

按等距分箱的形式给用户打分

以下面参数为例，因为10000条数据中有1000个用户的付费情况，因此单个用户的最后付费时间R有可能拉的很长。通过统计总数据的充值均数，平均用户充值额度为1600左右，因此把F区间设置在25以下，50为假设区间（报错就往上调整）M值参考了王者荣耀的贵族阶级分层，略微调整了下，各位可自行根据数据分布设置合理区间（主要是懒得去琢磨了）。

RFM['R_score'] = pd.cut(RFM['R'],right=False,bins=[1, 7,14,30,90,200],labels=[5, 4, 3, 2, 1]).astype('int')
RFM['F_score'] = pd.cut(RFM['F'],right=False,bins=[0,4,8,10,12,50],labels=range(1, 6)).astype('int')
RFM['M_score'] = pd.cut(RFM['M'],right=False,bins=[1,500,2000,10000,40000,100000],labels=range(1, 6)).astype('int')

注意：

bins为划分范围，受用户数量、时间范围以及充值面额的影响，

因此，在调整过程中，注意适当调整bins的划分区间

用户分数统计后，根据用户评分情况设立标签

# 按平均值划分高低
RFM['R_level'] = (RFM['R_score'] >= RFM['R_score'].mean()) * 1
RFM['F_level'] = (RFM['F_score'] >= RFM['F_score'].mean()) * 1
RFM['M_level'] = (RFM['M_score'] >= RFM['M_score'].mean()) * 1
RFM['用户类别'] = RFM['R_level'].astype('str').str.cat([RFM['F_level'].astype('str'), RFM['M_level'].astype('str')])
RFM['用户类别'] = RFM['用户类别'].replace(['111', '110', '101', '100', '011', '010', '001', '000'],['重要价值客户', '一般价值客户', '重要发展客户', '一般发展客户', '重要保持客户', '一般保持客户', '重要挽留客户', '一般挽留客户'])

注：标签的评分定义可自行调整，作者是直接按平均数来划分

统计各层用户数量情况

最后，统计每个层次的用户数量，根据分布情况分析用户近半年的付费意愿

data = RFM.groupby('用户类别').agg(num=('F', 'count')).sort_values(by='num', ascending=False).reset_index()

完整代码：

# ！/usr/bin/python3.7
# -*- coding:utf-8 -*-
# @author:inganxu
# CSDN:inganxu.blog.csdn.net
# @Date:2022年10月25日import pandas as pd
import radar
import numpy as np# 生成随机时间
r_datatime = []
for d in range(10000):d = str(radar.random_datetime("2022-6-1", "2022-12-30"))r_datatime.append(d)# 生成随机金额
r_price = []
for p in range(10000):p = np.random.choice([10, 60, 180, 300, 680, 1180, 1980, 3480, 6480])r_price.append(p)# 生成1000个用户
r_uid = []
for u in range(10000):u = str(np.random.randint(999999000, 1000000000))r_uid.append(u)data = pd.DataFrame(data={"uid": r_uid, "price": r_price, "date": r_datatime})
# 调整格式
pd.set_option('expand_frame_repr', False)  # 当列太多时显示不清楚
pd.set_option('display.unicode.east_asian_width', True)  # 设置输出右对齐
data['date'] = data['date'].astype('datetime64[ns]')
data['date'] = pd.to_datetime(data['date']).dt.floor('d')  # 调整时间格式，只保留日期# RFM用户价值分层模型
RFM = data.groupby('uid', as_index=False).agg(last_date=('date', 'max'),F=('date', 'count'),M=('price', 'sum'))
RFM['R'] = (pd.to_datetime('2022-12-31') - RFM['last_date']).dt.days
RFM.drop(columns=['uid', 'last_date'], inplace=True)
print(RFM)
print('\n')
print('-' * 100)
print('\n')# 按等距分箱的形式计分
RFM['R_score'] = pd.cut(RFM['R'],right=False,bins=[1, 7,14,30,90,200],labels=[5, 4, 3, 2, 1]).astype('int')
RFM['F_score'] = pd.cut(RFM['F'],right=False,bins=[0,4,8,10,12,50],labels=range(1, 6)).astype('int')
RFM['M_score'] = pd.cut(RFM['M'],right=False,bins=[1,500,2000,10000,40000,100000],labels=range(1, 6)).astype('int')
# 按平均值划分高低
RFM['R_level'] = (RFM['R_score'] >= RFM['R_score'].mean()) * 1
RFM['F_level'] = (RFM['F_score'] >= RFM['F_score'].mean()) * 1
RFM['M_level'] = (RFM['M_score'] >= RFM['M_score'].mean()) * 1
RFM['用户类别'] = RFM['R_level'].astype('str').str.cat([RFM['F_level'].astype('str'), RFM['M_level'].astype('str')])
RFM['用户类别'] = RFM['用户类别'].replace(['111', '110', '101', '100', '011', '010', '001', '000'],['重要价值客户', '一般价值客户', '重要发展客户', '一般发展客户', '重要保持客户', '一般保持客户', '重要挽留客户', '一般挽留客户'])
print(RFM)
print('\n')
print('-' * 100)
print('\n')
# 统计各类别数量
data = RFM.groupby('用户类别').agg(num=('F', 'count')).sort_values(by='num', ascending=False).reset_index()
print(data)

结语：

该案例主要是为搭建RFM用户价值模型提供代码思路

数据分析方法-RFM用户价值分层模型_inganxu的博客-CSDN博客_rfm分类法优缺点

游戏付费用户RFM分析案例相关推荐

电商用户RFM分析（平均值计算中心点）
原始数据集 python代码使用jupyter notebook编辑 import pandas as pd import matplotlib.pyplot as plt plt.rcParams ...
聚类分析在用户行为中的实例_网站用户行为分析案例
一.案例综述案例编号:101001 案例名称:互联网行业--网站用户行为分析作者姓名(或单位.或来源):刘莎莎案例所属行业:G6020互联网信息案例所用软件: .Sas EG.TOAD.SAS ...
软件开发之计划阶段: ”声控打鼓”游戏的”用户/场景”分析
"用户/场景"分析(a.k.a user scenarios)对于软件开发的计划阶段是十分重要的.只有明确了软件的用户群,以及软件所应用的场合,才能真正了解到所要开发的软件是否有价 ...
用户行为分析案例——天池数据集User Behavior Data from Taobao
用户行为分析过程说明一.数据集与分析目的 1.数据集 2.分析目的二.数据处理 1.数据预览 2.数据处理三.数据提取与分析 1.网站流量分析 2.用户分析 3.商品销售分析四.总结 1.关 ...
kaggle实战：基于超市消费数据的用户个性化分析案例
大家好,今天给大家分享一篇 kaggle 数据集的新文章:基于一份超市消费数据集的用户个性化分析以及用户分群的实现. 更多详细内容参考原数据集地址: https://www.kaggle.com/co ...
基于RFM模型对借贷App用户分层分析案例
一.目的 1.根据还款未复贷老户的借贷数据,对老户进行群体分类: 2.对不同的客户群体进行特征分析,以便于定向营销. 二.分析过程 1.分析思路数据包含了2018年4月13日至2020年4月9日期间 ...
用户留存分析案例 | 以京东、淘宝、饿了么为例！
我们把完成激活并在一段时间内继续进行使用.浏览.或者购买等关键行为的用户叫做留存用户.我们在做用户增长往往重视了获客,而容易忽略留存.就算我们获取的用户很多,如果留存差,当流失的用户大于获取用户数,我 ...
学习：关于游戏用户流失分析方法
三步骤: 流失分析游戏次日流失分析游戏中长期流失分析 part 1 流失分析定位流失用户,挖掘流失用户流失前的最后行为,从而发现导致这类流失的原因需求开发的重要前提: 1. 与需求方(运营)明 ...
RFM分析 | 一招搞定精细化客户管理，盒马鲜生等企业都在用
阿里巴巴CEO张勇在盒马鲜生的管理会上说:"进行RFM用户分析 ,以数据驱动,精细化用户运营是核心.新模式要大胆假设小心求证,验证有效以后再快速复制."RFM与精细化管理有什么关系 ...
[数据分析] RFM分析方法
美图欣赏2022/06/08 RFM分析方法作用:对用户分类,识别出有价值的用户,对不同价值的用户使用不同的运营决策,把公司有限的资源发挥到最大的效果(用于用户价值细分,精细化运营) RFM是3个指 ...

游戏付费用户RFM分析案例

游戏付费用户RFM分析案例相关推荐

最新文章

热门文章