【用户价值分析 RFM模型】用户价值分析

2024-09-07 06:32
文章标签 分析 模型 用户 价值 rfm

本文主要是介绍【用户价值分析 RFM模型】用户价值分析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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。RFM分析模型主要由三个指标组成，下面对这三个指标的定义和作用做下简单解释：

1、最近一次消费(Recency)
最近一次消费意指用户上一次购买的时间，理论上，上一次消费时间越近的顾客应该是比较好的顾客，对提供即时的商品或是服务也最有可能会有反应。因为最近一次消费指标定义的是一个时间段，并且与当前时间相关，因此是一直在变动的。最近一次消费对营销来说是一个重要指标，涉及吸引客户，保持客户，并赢得客户的忠诚度。
2、消费频率(Frequency)
消费频率是顾客在一定时间段内的消费次数。最常购买的消费者，忠诚度也就最高，增加顾客购买的次数意味着从竞争对手处偷取市场占有率，由别人的手中赚取营业额。
根据这个指标，我们又把客户分成五等分，这个五等分分析相当于是一个“忠诚度的阶梯”(loyalty ladder)，其诀窍在于让消费者一直顺着阶梯往上爬，把销售想像成是要将两次购买的顾客往上推成三次购买的顾客，把一次购买者变成两次的。
3、消费金额(Monetary)
消费金额是对购彩产能的最直接的衡量指标，也可以验证“帕雷托法则”(Pareto’s Law)——公司80％的收入来自20％的顾客。

FRM就是根据客户活跃度和交易金额贡献，进行客户价值细分的一种方法。

RFM算法步骤：
1.计算RFM各项分值
R_S,距离当前日期越近，得分越高，最高7分，最低1分，按实际数据分布情况切割依次从高到低取分数。
F_S,交易频率越高，得分越高，最高7分，最低1分，按实际数据分布情况切割依次从高到低取分数。
M_S,交易金额越高，得分越高，最高7分，最低1分，按实际数据分布情况切割依次从高到低取分数。

2.归总RFM分值
RFM赋予权重（目前权重采用R:F:M = 1:1:1），权重乘以分数归总RFM分值。这个总RFM分值作为衡量用户价值的关键指标。公式如下：

3.根据RFM分值对客户分类

# encoding: utf-8"""
function：RFM用户价值分析分成5类
author:dongli
update_date:2018-06-07
"""# 导入包
import pandas as pd
######################################################写入excel设置问题#########################################
import xlsxwriter
# 定义RFM函数
def RFM(aggData):""":param aggData: 输入数据集，数据集字段要包含recency,frequency,monetary等三个字段:return:返回数据集结果"""# 计算R_Sbins = aggData.recency.quantile(q=[0, 0.28, 0.38, 0.46, 0.53, 0.57, 0.77, 1], interpolation='nearest')bins[0] = 0labels = [7, 6, 5, 4, 3, 2, 1]R_S = pd.cut(aggData.recency, bins, labels=labels)# 计算F_Sbins = aggData.frequency.quantile(q=[0, 0.29, 0.45, 0.60, 0.71, 0.76, 0.90, 1], interpolation='nearest')bins[0] = 0labels = [1, 2, 3, 4, 5, 6, 7]F_S = pd.cut(aggData.frequency, bins, labels=labels)# 计算M_Sbins = aggData.monetary.quantile(q=[0, 0.20, 0.26, 0.45, 0.55, 0.76, 0.85, 1], interpolation='nearest')bins[0] = 0labels = [1, 2, 3, 4, 5, 6, 7]M_S = pd.cut(aggData.monetary, bins, labels=labels)# 赋值aggData['R_S'] = R_SaggData['F_S'] = F_SaggData['M_S'] = M_S# 计算FRM值aggData['RFM'] = R_S.astype(int)*1 + F_S.astype(int)*1 + M_S.astype(int)*1# 根据RFM分值对客户分类#分五类bins = aggData.RFM.quantile(q=[0, 0.2, 0.4, 0.6, 0.8, 1],interpolation='nearest')bins[0] = 0labels = [1, 2, 3, 4, 5]aggData['level'] = pd.cut(aggData.RFM,bins, labels=labels)# 分八类# bins = aggData.RFM.quantile(q=[0, 0.125, 0.25, 0.375, 0.5,0.625, 0.75, 0.875, 1],interpolation='nearest')# bins[0] = 0# labels = [1, 2, 3, 4, 5, 6, 7, 8]# aggData['level'] = pd.cut(aggData.RFM,bins, labels=labels )return aggData# 主函数
if __name__ == '__main__':# 读取数据aggData = pd.read_csv('C:\\Users\\xiaohu\\Desktop\\月刊数据\\4月份用户价值数据.csv')# 调用模型函数result=RFM(aggData)# 打印结果print(result)# 计算每个类别的数据量c1=list(result["level"].value_counts())# 计算每个类别所占的百分比c2 = list(result["level"].value_counts()/len(result)*100)c3=(list(map(lambda x:str(round(x,3))+"%",c2)))c=pd.DataFrame({"level":range(1,len(c1)+1),"数量":c1,"百分比":c3})print(c)# 写出csvresult.to_csv('C:\\Users\\xiaohu\\Desktop\\月刊数据\\result5_50_四月份.csv',index=False)# ## 先写出excel# workbook = xlsxwriter.Workbook("C:\\Users\\xiaohu\\Desktop\\月刊数据\\result_RFM.xlsx",options={'strings_to_urls': False})## format = workbook.add_format()# format = workbook.add_format()# format.set_border(1)# format_title = workbook.add_format()# format_title.set_border(1)# format_title.set_bg_color('#cccccc')# format_title.set_align('center')# format_title.set_bold()# format_ave = workbook.add_format()# format_ave.set_border(1)# format_ave.set_num_format('0')## data_format = workbook.add_format()# data_format.set_num_format('yyyy-mm-dd HH:MM:SS')# data_format.set_border(1)## worksheet2 = workbook.add_worksheet('用户价值')# title2 = [u'user_id', u'recency', u'frequency', u'monetary',u'R_S',u'F_S',u'M_S',u'RFM', u'level']## worksheet2.write_row('A1', title2, format_title)# worksheet2.write_column('A2:', result.iloc[:, 0], format_ave)# worksheet2.write_column('B2:', result.iloc[:, 1], format)# worksheet2.write_column('C2', result.iloc[:, 2], format)# worksheet2.write_column('D2', result.iloc[:, 3], format)# worksheet2.write_column('E2', result.iloc[:, 4], format)# worksheet2.write_column('F2', result.iloc[:, 5], format)# worksheet2.write_column('G2', result.iloc[:, 6], format)# worksheet2.write_column('H2', result.iloc[:, 7], format)# worksheet2.write_column('I2', result.iloc[:, 8], format)## workbook.close()#

RFM+kmeans算法

# encoding: utf-8
"""
function：RFM用户价值分析+kmeans算法自动划分
author:dongli
update_date:2018-05-09
"""# 导入包
from __future__ import  division
import pandas as pd
from sklearn.cluster import KMeans######################################python画图显示中文参数设置####################################
##########设置中文显示#################
from pylab import *
mpl.rcParams['font.sans-serif'] = ['SimHei']
font_size =11 # 字体大小
fig_size = (8, 6) # 图表大小
# 更新字体大小
mpl.rcParams['font.size'] = font_size
# 更新图表大小
mpl.rcParams['figure.figsize'] = fig_size
#################################################################################################### 定义RFM函数
def RFM(aggData):""":param aggData: 输入数据集，数据集字段要包含recency,frequency,monetary等三个字段:return:返回数据集结果"""# 计算R_Sbins = aggData.recency.quantile(q=[0, 0.31, 0.38, 0.46, 0.53, 0.57, 0.77, 1], interpolation='nearest')bins[0] = 0labels = [7, 6, 5, 4, 3, 2, 1]R_S = pd.cut(aggData.recency, bins, labels=labels)# 计算F_Sbins = aggData.frequency.quantile(q=[0, 0.29, 0.45, 0.60, 0.71, 0.76, 0.90, 1], interpolation='nearest')bins[0] = 0labels = [1, 2, 3, 4, 5, 6, 7]F_S = pd.cut(aggData.frequency, bins, labels=labels)# 计算M_Sbins = aggData.monetary.quantile(q=[0, 0.20, 0.26, 0.45, 0.55, 0.76, 0.85, 1], interpolation='nearest')bins[0] = 0labels = [1, 2, 3, 4, 5, 6, 7]M_S = pd.cut(aggData.monetary, bins, labels=labels)# 赋值aggData['R_S'] = R_SaggData['F_S'] = F_SaggData['M_S'] = M_S# 计算FRM值aggData['RFM'] = R_S.astype(int) + F_S.astype(int) + M_S.astype(int)#分五类bins = aggData.RFM.quantile(q=[0, 0.2, 0.4, 0.6, 0.8, 1],interpolation='nearest')bins[0] = 0labels = [1, 2, 3, 4, 5]aggData['level'] = pd.cut(aggData.RFM,bins, labels=labels)return aggData# 读取数据
aggData = pd.read_csv('C:\\Users\\xiaohu\\Desktop\\用户价值分析\\用户价值分析RFM模型\\source\\RFM_Data_50.csv')
# print(aggData)aggData2=RFM(aggData)
print(aggData2)# 选择recency,frequency,monetary这三列
data=aggData2.loc[:,['recency','frequency','monetary']]print(data)# 定义数据标准化函数 Min-max 标准化
def Normalization(df):return df.apply(lambda x: (x - np.min(x)) / (np.max(x) - np.min(x)))# 调用函数进行数据标准化(0-1)之间
zsredfile=Normalization(data)# 对列进行重命名
names = ['ZR','ZF','ZM']
zsredfile.columns = namesprint(zsredfile)##########################################选择最佳的K值########################################################"""
一般我们可以 通过迭代的方式选出合适的聚类个数 ，即让k值从1到K依次执行一遍，
再查看每一次k值对应的簇内离差平方和之和的变化，
如果变化幅度突然由大转小时，那个k值就是我们选择的合理个数
"""
K = range(1,15)
GSSE = []
for k in K:print(K)SSE = []kmeans = KMeans(n_clusters=k, random_state=10)kmeans.fit(zsredfile)labels = kmeans.labels_centers = kmeans.cluster_centers_for label in set(labels):SSE.append(np.sum(np.sum((zsredfile[['ZR', 'ZF','ZM']].loc[labels == label,] - centers[label, :]) ** 2)))GSSE.append(np.sum(SSE))# 绘制K的个数与GSSE的关系
plt.plot(K, GSSE, 'b*-')plt.xlabel('聚类个数')plt.ylabel('簇内离差平方和')plt.title('选择最优的聚类个数')plt.show()####################################################################################################################################选择最优的聚类个数为5
seed(123)
#调用sklearn的库函数
num_clusters = 5
kmeans = KMeans(n_clusters=num_clusters, random_state=1)
kmeans.fit(zsredfile)# 聚类结果标签
data['cluster'] = kmeans.labels_
# 聚类中心
centers = kmeans.cluster_centers_cluster_center = pd.DataFrame(kmeans.cluster_centers_)
# 绘制散点图
plt.scatter(x = zsredfile.iloc[:,0], y = zsredfile.iloc[:,1], c = data['cluster'], s=50, cmap='rainbow')
plt.scatter(centers[:,0], centers[:,1], c='k', marker = '*', s = 180)
plt.xlabel('ZR')
plt.ylabel('ZF')
plt.title('聚类效果图')
# 图形显示
plt.show()# # 查看RFM模型8个类别中的用户数量以及占比多少result=dataaggData2['cluster']=result["cluster"]
# 计算每个类别的数据量c1 = list(result["cluster"].value_counts())# 计算每个类别所占的百分比c2 = list(result["cluster"].value_counts() / len(result) * 100)c3 = (list(map(lambda x: str(round(x, 3)) + "%", c2)))c = pd.DataFrame({"level": range(1, len(c1) + 1), "数量": c1, "百分比": c3})print(c)# 写出csvaggData2.to_csv('C:\\Users\\xiaohu\\Desktop\\用户价值分析\\东篱最终项目\\【修改版】用户价值分析项目--东篱\\RFM+K-Means算法对公司客户价值自动划分--东篱\\resource\\python_result_kmeans_50.csv', index=False)cluster_center.to_csv('C:\\Users\\xiaohu\\Desktop\\用户价值分析\\东篱最终项目\\【修改版】用户价值分析项目--东篱\\RFM+K-Means算法对公司客户价值自动划分--东篱\\resource\\cluster_center.csv')

RFM+层次聚类

# -*- coding:utf-8 -*-#######################################
#加载相关库
#######################################
import numpy as np
import pandas as pd
from sklearn.cluster import DBSCAN
from sklearn.cluster import Birch
from sklearn import metrics
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from sklearn.externals import joblib
import time
import datetime#######################################
#加载数据集及提取数列
#######################################customdata = pd.read_csv(r'C:\\Users\\xiaohu\\Desktop\\RFM\\out_custom_label.csv')new_custom_data = customdata[["R_S","F_S","M_S"]]new_custom_data = new_custom_data.astype(np.float32)
new_custom_data = new_custom_data.values#######################################
#数据标准化
#######################################new_custom_data = StandardScaler().fit_transform(new_custom_data)#######################################
#模型训练
#######################################Birch_model = Birch(threshold=0.85, branching_factor=500,n_clusters=None,compute_labels=True, copy=True).fit(new_custom_data)#######################################
#提取分类结果
#######################################label = Birch_model.labels_#print ("Calinski-Harabasz Score", metrics.calinski_harabaz_score(new_custom_data, Birch_model))label = pd.DataFrame(label)label.columns = ['cluster.label']outresult = pd.concat([customdata, label], axis = 1)cluster_center = pd.DataFrame(Birch_model.subcluster_centers_)
n_clusters = np.unique(label).size
print("n_clusters : %d" % n_clusters)#######################################
#结果输出
#######################################outresult.to_csv('C:\\Users\\xiaohu\\Desktop\\RFM\\birch_outresult.csv')
cluster_center.to_csv('C:\\Users\\xiaohu\\Desktop\\RFM\\cluster_center.csv')

这篇关于【用户价值分析 RFM模型】用户价值分析的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1144324。

相关文章

Java程序进程起来了但是不打印日志的原因分析

Java程序进程起来了但是不打印日志的原因分析

《Java程序进程起来了但是不打印日志的原因分析》：本文主要介绍Java程序进程起来了但是不打印日志的原因分析,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Java程序进程起来了但是不打印日志的原因1、日志配置问题2、日志文件权限问题3、日志文件路径问题4、程序
阅读更多...
Java字符串操作技巧之语法、示例与应用场景分析

Java字符串操作技巧之语法、示例与应用场景分析

《Java字符串操作技巧之语法、示例与应用场景分析》在Java算法题和日常开发中,字符串处理是必备的核心技能,本文全面梳理Java中字符串的常用操作语法,结合代码示例、应用场景和避坑指南,可快速掌握字... 目录引言1. 基础操作1.1 创建字符串1.2 获取长度1.3 访问字符2. 字符串处理2.1 子字
阅读更多...
Python 迭代器和生成器概念及场景分析

Python 迭代器和生成器概念及场景分析

《Python迭代器和生成器概念及场景分析》yield是Python中实现惰性计算和协程的核心工具,结合send()、throw()、close()等方法,能够构建高效、灵活的数据流和控制流模型,这... 目录迭代器的介绍自定义迭代器省略的迭代器生产器的介绍yield的普通用法yield的高级用法yidle
阅读更多...
C++ Sort函数使用场景分析

C++ Sort函数使用场景分析

《C++Sort函数使用场景分析》sort函数是algorithm库下的一个函数,sort函数是不稳定的,即大小相同的元素在排序后相对顺序可能发生改变,如果某些场景需要保持相同元素间的相对顺序,可使... 目录C++ Sort函数详解一、sort函数调用的两种方式二、sort函数使用场景三、sort函数排序
阅读更多...
Spring Security基于数据库的ABAC属性权限模型实战开发教程

Spring Security基于数据库的ABAC属性权限模型实战开发教程

《SpringSecurity基于数据库的ABAC属性权限模型实战开发教程》：本文主要介绍SpringSecurity基于数据库的ABAC属性权限模型实战开发教程,本文给大家介绍的非常详细,对大... 目录1. 前言2. 权限决策依据RBACABAC综合对比3. 数据库表结构说明4. 实战开始5. MyBA
阅读更多...
kotlin中const 和val的区别及使用场景分析

kotlin中const 和val的区别及使用场景分析

《kotlin中const和val的区别及使用场景分析》在Kotlin中,const和val都是用来声明常量的,但它们的使用场景和功能有所不同,下面给大家介绍kotlin中const和val的区别,... 目录kotlin中const 和val的区别1. val:2. const:二 代码示例1 Java
阅读更多...
Go标准库常见错误分析和解决办法

Go标准库常见错误分析和解决办法

《Go标准库常见错误分析和解决办法》Go语言的标准库为开发者提供了丰富且高效的工具,涵盖了从网络编程到文件操作等各个方面,然而,标准库虽好,使用不当却可能适得其反,正所谓工欲善其事,必先利其器,本文将... 目录1. 使用了错误的time.Duration2. time.After导致的内存泄漏3. jsO
阅读更多...
Java的IO模型、Netty原理解析

Java的IO模型、Netty原理解析

《Java的IO模型、Netty原理解析》Java的I/O是以流的方式进行数据输入输出的,Java的类库涉及很多领域的IO内容：标准的输入输出,文件的操作、网络上的数据传输流、字符串流、对象流等,这篇... 目录1.什么是IO2.同步与异步、阻塞与非阻塞3.三种IO模型BIO（blocking I/O）NI
阅读更多...
Spring事务中@Transactional注解不生效的原因分析与解决

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3
阅读更多...
找不到Anaconda prompt终端的原因分析及解决方案

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2