案例：基于RMF的用户价值度分析

通过Python实现RFM，并分析用户价值度，最终给到运营做分析使用。

案例数据是某企业2016年的部分抽样数据，数据来源于销售系统，主要是用户订单记录。

案例过程：

步骤1 导入所需用到的库

步骤2 读取原始数据

查看前5行数据，包含四个字段。

步骤3 数据审查和校验

主要查看数据概览、缺失值情况、异常值情况

（1）通过describe()可查看整体数据的基本描述性统计信息，由于数据集中只有AMOUNTINFO字段有查看其信息的必要，因此这边只看订单金额的情况。

根据上图的结果可以看出：订单金额最小值为0.5，而最大订单金额达3w+，极值差距很大；标准差也很大，说明数据波动非常明显；

#经过与业务方沟通后确认，最大订单的订单金额有效，为某用户一次性购买多个大家电商品；而订单金额为0.5元的订单属于促销优惠券生成的订单，这些订单用来为用户消费时提供优惠券，没有实际意义，因此这些数据需要剔除。

（2）查看空值情况

ORDERDATE、AMOUNTINFO两个字段含有空值记录；

共有10条记录含有空值情况，数据量小，因此可以直接剔除。

步骤4 数据预处理准备工作

包括数据异常处理、格式转换

数据类型转换：

此处目的是为了实现后续的时间间隔的计算，因此需要进行转换。

数据准备工作：

分别计算R、F、M三个原始变量的数据，主要通过groupby进行计算。

步骤5 计算RFM得分

通过时间间隔是计算R的基础，然后对R、F、M三个变量使用分数位法做区间划分，使用pd.cut的方法，设置5份。

根据RFM的两种得分方法分别计算出结果存入，具体如下：

#以下为本人自己的分析思路，仅供参考。

观察以上数据发现rfm_score2（组合得分）的组合方式只有14种，因此想要知道这14种RFM得分的分布频率如何；

观察上图结果得到：

（1）总体客户消费状态不太好，分布最多的五种RMF得分分别是：511、411、311、211、111，说明最近消费的客户的消费频率低、消费金额少。

（2）而我们观察到三个方面表现都很好的得分为555只有一个用户，该用户应该引起会员管理部门的重点关注。

其中书中的结论为：

基于RFM得分业务方得到这样的结论

公司的会员中99%以上的客户消费状态都不容乐观，主要体现在消费频率低R、消费总金额低M。——经过分析，这里主要由于有一个用户（ID为74720）消费金额非常高，导致5分位时受到最大值的影响，区间向大值域区偏移。
公司有一些典型客户的整个贡献特征明显，重点是RFM得分为555的用户，该用户不仅影响了订单金额，而且其频率和购买新鲜度、消费频率都非常高，应该引起会员管理部门的重点关注。
本周变现处于一般水平以上的用户的比例（R、M、F三个维度得分均在3以上的用户数）相对上周环比增长了1.3%。这种良好趋势体现了活跃度的提升。
本周低价值（111以上）用户名单中，新增了1221个新用户，这些新用户的列表已经被取出。

案例应用和部署

将ID为74270的用户加入大客户名单，并实现重点关怀和管理。
上周的会员工作中有关低价值群体的用户并未减少，反而新增了一些，需要会员部门重点关注和处理。目前最重要的还是通过会员渠道拉动会员再次访问网站并订单，防止客户的流失和沉默，而订单的金额是次要因素。

录入数据库的RFM得分数据已经应用到其他数据模型中，成为建模输入的关键维度特征之一。同时，该模型已经作为定时任何每周一早晨上班前运行一次。

———————————分隔符—————————————

结论中红色部分是我没看明白的部分，最后两点不知是否是经过两周的观察得出的结论，希望有心人士可以为我解答一下。

如有需要数据、代码的可以评论or 私信找我。