用户数据化运营是互联网运营工作必备工作之一，且产品的生存必须有用户。而会员价价值度是用来评估用户的价值情况，是区分会员价值的重要性模型和参考依据，也是衡量不同营销效果的关键指标之一，我们可以通过复购率、消费频率、最近一次购买时间、最近一次购买金额等方面分析会员价值度。

常用的价值度模型是RFM。RFM模型是根据会员最近一次购买时间R(Rencency)、购买频率F(Frequency)、购买金额M(Monetary)计算得出RFM的值，可以通过K-MEANS聚类或者的RFM价值模型对客户进行分类。

K-means聚类原理

K-means是一个聚类算法用来将n 个点分成 k 个集群。

k-means算法为基于距离的非层次聚类算法，采用距离作为相似性的评价指标，距离越近，则认为两个样本的相似性越大。python建模采用sk-learn 机器学习库，其K-means算法采用的是欧几里得距离。算法过程简单归纳一下，就不上详细的数学公式了：

step 1 选取K个对象作为初始的聚类中心，k需要事先指点，因此聚类结果具有一定的随机性

step 2 分别计算每个样本到聚类中心的距离，将样本分配到距离最近的聚类中。

step 3 在所有样本都分配到某个聚类后，重新计算K各聚类的中心

step 4 与前一次计算的K个聚类中心比较，如果聚类中心发生变化，就转到 step2，用新的聚类中心分类样本，loop。

step 5 当聚类中心不发生变化，或者达到最大迭代次数时，停止并输出聚类结果。

最后的结果是点和质心之间的均方差达到最小。

案例详解

导入数据，并设置索引列

日期缺失2条数据，订单金额缺失8条数据，缺少的数据极少量，可直接删除

订单金额最小值0.5.最大值30999，最小值异常，经询问运营同事，原因是客户用优惠券购买的订单，1元以下的订单金额均无任何意义。可直接舍弃

二、RMF分值计算

”R“是最近一次登陆时间离获取数据日期2017年8月22日之间的天数

”F“是发微博的条数

”M“是关注其他用户的数量

R M F的原始变量值

将R_score','F_score','M_score'列入number数据框，np.array将R、F、M的值转换位矩阵(3，86125)，transpose为转置功能，等价与T。

np.array(number_list).transpose()=np.array(number_list).T

查看number数据的描述统计分析，可看出m_score的标准差较大，很可能由较多异常值。通过画箱线图进一步确认及剔除异常值。

通过箱线图可看出m_score的离群值较多和较大，可去除>20000的数据。

通过相关性系数表，得知R、F、M均为弱相关。

机器学习模型一：基于K-Mean聚类模型分析法

1、确认分类的K值

分析各簇中心点与样本的距离

图中可看出，K=3时，出现明显的转折点，因此，K-MEAN聚类的K值=3。

2、机器学习，得出数据集和分组明细

对于连续型数据，在机器学习之前，先对number数据进行Z-SCORE标准化处理。

从sklearn.cluster模块加载k-means聚类模型进行机器学习

输出各个特征的的聚类中心和各个类别的样本数目：

将分类的数据集并入原始数据框number中

3、K-means聚类结果分析

通过K-Means算法将样本分为三个cluster后，现在分别分析这三个客户群体的样本属性，挖掘其中的价值，作出各客户群体特征的概率密度函数：

结论：

客户类别0的特点：

消费时间间隔200到350天；消费次数集中在1次，消费金额在0-500以下

客户类别1的特点：

消费时间间隔0-150，消费次数集中在2-4次，消费金额在0~5000元。

客户类别2的特点：

消费时间间隔0-150天；消费次数集中在1-2次，消费金额在500元以下。

对比分析后，得到类别1里面的客户消费时间间隔短，消费次数多，而且金额较大，属于高价值人群。类别2里面的客户群消费次数、消费时间间隔、消费金额处于中等水平，属于一般客户。类别0里面的客户，消费间隔时间长，次数少，金额也不是特别高，属于价值较低的客户。

机器学习模型二：基于RFM客户价值预测模型

RFM模型分析步骤：

1 、设定分析数据的截止时间节点(如2018-4-1)，用来做基于该时间节点的数据选取和计算。

2 、在用户数据库中，以步骤1设定的时间节点为界限向前推一固定周期(如一周年、一个月等)，选择截取每个会员的会员ID、订单时间、订单金额的原始数据集。

3 、根据获取到的原始数据集，分别计算 最近一次购买时间R(Rencency)：各个会员最近的订单时间与截止时间节点的距离； 购买频率F(Frequency)：以会员ID为区分，分别统计各会员ID的订单数量； 购买金额M(Monetary)：将用户多个订单的订单金额求和。

4、 对R、F、M值进行分区。对于F和M变量来讲，值越大代表购买频率越高、订单金额越 高；但对R来讲值越小代表离截止时间节点越近，因此值越好。对R、F、M分别使用五分位(也可以分成其他分位，如三分位)法做数据分区，需要注意的是，对于R来讲需要倒过来划分，离截止时间越近的值划分越大。

5、 将三个值组合或相加得到总的RFM得分。这里有两种得分方式，一种是直接将三个值拼接到一起，例如RFM得分为213、131、122；一种是直接将三个值相加求得一个新的汇总值，例如RFM得分为7、6、9。在得到不同会员的RFM的之后，根据步骤5产生的两种结果有不用的应用思路：

应用思路1：基于三个维度值做用户群体划分和解读，对用户的价值度做分析。例如得分为213的会员往往购买频率较低，针对购买频率低的客户定期发送促销活动邮件；针对得分为131的会员虽然购买频率高但是订单金额低等，这些客户往往具有较高的购买粘性，可以考虑通过关联或搭配销售的方式提升订单金额。 2：基于RFM的汇总得分评估所有会员的价值度价值，并可以做价值度排名；同时，该得分还可以作为输入维度跟其他维度一起作为其他数据分析和挖掘模型的输入变量，为分析建模提供基础。

计算RFM得分：

导出excel，数据透视表，并画出图形

结论

公司的会员中 ，重要客户和一般客户基本55开，重要客户占50%以上，说明客户的日常维护做到位，一般挽留客户仍然较多，次部分客户可以在大型的促销节日进行挽留。针对不同客户分类群，采取差异化的营销策略进行醋活。