python-RFM模型

RFM模型：根据客户消费行为的三个关键指标（R-最近一次的购物时间，F-一段时间内客户的购物次数，M-客户消费总金额）来将客户分层并针对不同层级的客户进行不同的营销策略；

此次将客户分成8类（按R、F、M三个值的平均值作为阈值来进行划分），整理成函数如下：

#函数：该函数将客户按RFM方法分成八类，且显示对应的营销策略（分类的阈值和等级以及对于的营销策略可以按需进行更改）
def rfm_strategy(r,f,m,recently,frenquency,money):if r>=recently:if f >= frenquency:if m>=money:rfm="重要价值客户"strategy="提高满意度,增加留存"else:rfm="一般价值客户"strategy="引导其消费"else:if m >= money:rfm="重要保持客户"strategy="通过活动提高购买频率"else:rfm="一般保持客户"strategy="利用优惠吸引客户消费"else:if f >= frenquency:if m>=money:rfm="重要发展客户"strategy="触达客户，防止客户流失"else:rfm="一般发展客户"strategy="较少关注"else:if m >= money:rfm="重要挽留客户"strategy="了解用户需求想办法挽留"else:rfm="一般挽留客户"strategy="较少关注"return rfm,strategy

接下来，将数据导入，计算出对应的数值，这里导入的数据是一张完整订单明细，一个客户会有多次消费记录，在这里我们需要对数据进行汇总和聚合操作，这里使用pivot_table方法来进行数据整理，这里需要留意，数据在进行此操作之前需要检查是否有脏数据（重复记录、重要值缺失、异常值），如有需先进行数据清洗

#导入数据，将订单日期转换成与目前日期相差的月份；
# 这里使用了pd.to_datetime方法将日期格式转化成标准日期格式；
# 最后使用relativedelta计算两个日期之间的月份差值；
data=pd.read_csv(r"D:\示例 - 超市.csv")
data['当前日期']=pd.Timestamp(date.today())
data['订单日期']=pd.to_datetime(data['订单日期'])
data['订单日期']=[relativedelta(dt1=data['当前日期'][i],dt2=data['订单日期'][i]).months for i in range(0,len(data['订单日期']))]
#使用透视表功能，统计每个客户的最近一次购买日与目前日期相差的月份、一段时间内的购买金额、一段时间内的购买频次；
#并计算出R、F、M的均值
result=pd.pivot_table(data=data[['客户名称','订单 Id','订单日期','销售额']],index=['客户名称'],\values=['订单 Id','订单日期','销售额'],aggfunc={'订单 Id':np.size,'订单日期':np.min,'销售额':np.sum})
recently=result['订单日期'].mean()
frenquency=result['订单 Id'].mean()
money=result['销售额'].mean()
result=pd.DataFrame(data=result).reset_index()

这里已经将关键数值计算出来了，接下来可以使用我们之前写的函数来给客户加分类标签

#使用rfm_strategy函数计算每个客户对应的分类和策略
result[['标记','策略']]=[rfm_strategy(result['订单日期'][i],result['订单 Id'][i],result['销售额'][i],recently,frenquency,money)\for i in range(0,len(result['订单日期']))]

接下来我们可以选择将数据导出（使用pd.to_csv方法），或者直接可视化看下客户分类的一个情况

#对分类的客户数量进行统计
result_data=pd.pivot_table(data=result,index=['标记'],values=['订单日期'],aggfunc='size')
result_data=pd.DataFrame(data=result_data).reset_index()
#对客户分类情况进行可视化
sns.set_style({'font.sans-serif':'Microsoft YaHei'})
plt.rcParams['font.sans-serif']=['SimHei']
plt.figure(figsize=(9,9))
x=range(8)
y1=result_data[0]
plt.title("RFM客户分类情况")
plt.bar(x, y1, tick_label=result_data['标记'], width=0.5,align='center')
ax=plt.gca()
for labels in ax.xaxis.get_ticklabels():labels.set_rotation(45)
plt.show()

python-RFM模型相关推荐

python给用户打标签_用Python实现RFM模型——互联网产品用户分层必备技巧
1.前言 RFM模型即"R"--Recency(最近一次消费时间)."F"--Frequency(一段时间内消费频次)."M"--(一段时间 ...
RFM模型的理解和python案例分析
RFM模型是什么 RFM是客户关系管理(CRM:Customer Relationship Management)中一种重要的分析模型,通过研究一个客户的交易时间.交易频率和交易总金额来衡量客户的价值 ...
python 估值模型_基于Python的客户价值细分模型（RFM）
RFM模型:是衡量客户价值和客户创利能力的重要工具和手段.在众多的客户关系管理(CRM)的分析模式中,RFM模型是被广泛提到的.该机械模型通过一个客户的近期购买行为(recency).购买的总体频率( ...
Python 某电子产品销售数据分析报告及RFM模型（一）
关注微信公共号:小程在线关注CSDN博客:程志伟的博客 Python 3.7.6 (default, Jan 8 2020, 20:23:39) [MSC v.1916 64 bit (AMD64 ...
python数据分析实战之用户分析及RFM模型分析
理论基础知识可以看我之前的博客: 1.python之Numpy知识点详细总结 2.python最最最重要的数据分析工具之pandas 3.pandas之表连接与高级查询也可以进入我的专栏:欢迎订阅哦 ...
python 估值模型_利用RFM模型建模，并通过聚类分析、分类，分别算出8中不同的价值会员...
RFM-Clustering 利用RFM模型建模,并通过聚类分析.分类,分别算出8中不同的价值会员 RFM模型构建会员价值标签 R:最近一次消费(Recency) F:消费频率(Frequency) ...
【python数据运营】Task02 会员RFM模型的学习和运用
文章目录前言 1 RFM模型介绍 2 代码实践 (1) 导入库 (2) 读取数据 (3) 数据审查 (4) 数据预处理,去除缺失值和异常值 (5) 确定RFM划分区间 (6)计算RFM因子权重 (7 ...
基于客观事实的 RFM 模型（Python 代码）
CDA数据分析师出品 0 1 背景 RFM(Recency Frequency Monetary)模型是衡量客户价值和客户创利能力的重要工具和手段.在众多的客户关系管理(CRM)的分析模式中,RFM ...
【Python】RFM模型实现
[Python]RFM模型实现 1 RFM模型 RFM模型:根据用户历史行为数据,结合业务理解,实现用户分层分类,助力用户的精准营销,是衡量客户价值和客户创利能力的重要工具和手段 Recency 最近 ...
Python数据挖掘-RFM模型K-means聚类分析-航空公司客户价值分析
使用教材:<Python数据分析与挖掘实战> 模型:RFM模型算法:K-means聚类:其他方法还用到了层次聚类数据:需要数据的可以评论里call. 内容: (1)案例: 航空公司客户 ...

python-RFM模型

python-RFM模型相关推荐

最新文章

热门文章