不到70行Python代码，轻松玩转RFM用户分析模型
|
RFM模型中打分一般采取5分制，有两种比较常见的方式，一种是按照数据的分位数来打分，另一种是依据数据和业务的理解，进行分值的划分。这里希望同学们加深对数据的理解，进行自己的分值设置，所以讲述过程中使用的是第二种，即提前制定好不同数值对应的分值。 R值根据行业经验，设置为30天一个跨度，区间左闭右开：  F值和购买频次挂钩，每多一次购买，分值就多加一分：  我们可以先对M值做个简单的区间统计，然后分组，这里我们按照50元的一个区间来进行划分：  这一步我们确定了一个打分框架，每一位用户的每个指标，都有了与之对应的分值。 04 分值计算 分值的划分逻辑已经确定，看着好像有点麻烦。下面我们有请潘大师(Pandas)登场，且看他如何三拳两脚就搞定这麻烦的分组逻辑，先拿R值打个样:  沧海横流，方显潘大师本色，短短一行代码就搞定了5个层级的打分。Pandas的cut函数，我们复习一下：
接着，F和M值就十分容易了，按照我们设置的值切分就好：  第一轮打分已经完成，下面进入第二轮打分环节。 客官不要紧脏，面试都还不止两轮呢，伦家RFM模型哪有那么随便的。 现在R-SCORE、F-SCORE、M-SCORE在1-5几个数之间，如果把3个值进行组合，像111，112，113...这样可以组合出125种结果，过多的分类和不分类本质是一样的。所以，我们通过判断每个客户的R、F、M值是否大于平均值，来简化分类结果。 因为每个客户和平均值对比后的R、F、M，只有0和1(0表示小于平均值，1表示大于平均值)两种结果，整体组合下来共有8个分组，是比较合理的一个情况。我们来判断用户的每个分值是否大于平均值：  Python中判断后返回的结果是True和False，对应着数值1和0，只要把这个布尔结果乘上1，True就变成了1，False变成了0，处理之后更加易读。 05 客户分层 回顾一下前几步操作，清洗完之后我们确定了打分逻辑，然后分别计算每个用户的R、F、M分值(SCORE)，随后，用分值和对应的平均值进行对比，得到了是否大于均值的三列结果。至此，建模所需的所有数据已经准备就绪，剩下的就是客户分层了。 RFM经典的分层会按照R/F/M每一项指标是否高于平均值，把用户划分为8类，我们总结了一下，具体像下面表格这样：  由于传统的分类，部分名称有些拧巴，像大多数分类前都冠以“重要”，“潜力”和“深耕”到底有什么区别?“唤回”和“挽回”有什么不一样? 本着清晰至上原则，我们对原来的名称做了适当的改进。强调了潜力是针对消费(平均支付金额)，深耕是为了提升消费频次，以及重要唤回客户其实和重要价值客户非常相似，只是最近没有回购了而已，应该做流失预警等等。这里只是抛砖引玉，提供一个思路，总之，一切都是为了更易理解。 对于每一类客户的特征，我们也做了简单的诠释，比如重要价值客户，就是最近购买我们的产品，且在整个消费生命周期中购买频次较高，平均每次支付金额也高。其他的分类也是一样逻辑，可以结合诠释来强化理解。下面，我们就用Python来实现这一分类。 先引入一个人群数值的辅助列，把之前判断的RFM是否大于均值的三个值给串联起来：  人群数值是数值类型，所以位于前面的0就自动略过，比如1代表着“001”的高消费唤回客户人群，10对应着“010”的一般客户。 （编辑：厦门网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
