RFM模型学习

Posted 2021-09-20 21座的胖子

RFM模型
R：最近一次消费 (Recency)
F：消费频率 (Frequency)
M：消费金额 (Monetary)

简单的理解就是针对客户不同的RFM值进行不同的营销策略。
整个过程分为几个步骤：
数据提取→用户RFM打分→根据打分给用户分类→针对不同的分类提供不同的营销方案

针对业务主要有两个难点，分别在第二个步骤和第四个步骤。

用户RFM打分，需要对业务理解深刻，对R值，F值和M值分区间打分，区间的划分需要针对不同业务去指定不同的指标。

提供营销方案，需要针对业务和实际策略有了解，才能针对性地产出。

具体代码实现：

import pandas as pd 
import numpy as np

data = pd.read_excel("rfm.xlsx",dtype={"a":np.int32,"b":str})
# print("判断数据是否有缺失值：",data.info())
# print("每个字段中是否含有空值：\\n",data.isna().any())

# 把支付时间字段的类型变成时间类型
data["paytime"] = pd.to_datetime(data["paytime"])
# print(data.dtypes)

# 通过dt属性返回对象中可以获得datetime中的年与日等数据
data["paytime-year"] = data["paytime"].dt.year
data["paytime-month"] = data["paytime"].dt.month
data["paytime-quarter"] = data["paytime"].dt.to_period("Q")
result = data[["paytime","paytime-year","paytime-month","paytime-quarter"]].head()

# 1、获取所需要的数据
# 获取2020年的数据
data_2020 = data[data["paytime-year"]==2020]
# 获取RFM模型所需的三列数据：用户uid、支付时间、金额
data_2020 = data_2020[["uid","paytime","amount"]]
data_2020["amount"] = data_2020["amount"].astype(int)

# 2、将数据uid分组
def order_sort(group):
    return group.sort_values(by="paytime")[-1:]
data_2020_group = data_2020.groupby(by="uid",as_index=False)
data_2020_maxtime = data_2020_group.apply(order_sort)

# 3、为数据添加R(最近一次交易时间的间隔)、F（购买次数）、M（销售额总数）值
# 确定统计日期
end_data= pd.to_datetime("2020-12-31")
# 计算最近一次交易时间的间隔
r_data = end_data - data_2020_maxtime["paytime"]
# 为数据添加R值
data_2020_maxtime["R"] = r_data.values
# 为数据添加F值
data_2020_maxtime["F"] = data_2020_group.size()["size"].values
# 为数据添加M值
data_2020_maxtime["M"] = data_2020_group.sum()["amount"].values

# 4、根据RFM三列设置相应的分值
# 设置R维度的评分,基于业务特性设置参数
import datetime
section_list_R = [datetime.timedelta(days=i) for i in [-1,15,75,180,270,365]]
grade_R = pd.cut(data_2020_maxtime["R"],bins=section_list_R,labels=[5,4,3,2,1])
# 添加R_S评分列
data_2020_maxtime["R_S"]=grade_R.values
# 设置F维度的评分,基于业务特性设置参数
section_list_F = [0,1,3,5,10,15]
grade_F= pd.cut(data_2020_maxtime["F"],bins=section_list_F,labels=[1,2,3,4,5])
# 添加F_S评分列
data_2020_maxtime["F_S"]=grade_F.values
# 设置M维度的评分,基于业务特性设置参数
section_list_M = [1000,1500,15000,50000,150000,300000]
grade_M = pd.cut(data_2020_maxtime["M"],bins=section_list_M,labels=[1,2,3,4,5])
# 添加M_S评分列
data_2020_maxtime["M_S"]=grade_M.values

# 5、计算出每一个维度的平均分，用对应的分数与平均分进行对比，大于平均分的值标为1，小于平均分的值标成0
# 设置R维度的高低值
data_2020_maxtime["R_S"] = data_2020_maxtime["R_S"].values.astype(int)
# 根据平均分设置判断高低
grade_R_avg = data_2020_maxtime["R_S"].values.sum()/data_2020_maxtime["R_S"].count()
# 将高对应为1 ，低的对应为0
print(grade_R_avg)
data_R_S = data_2020_maxtime["R_S"].where(data_2020_maxtime["R_S"]<grade_R_avg,1)
data_2020_maxtime["R_high_low"] = data_R_S.where(data_2020_maxtime["R_S"]>grade_R_avg,0).values
# 设置F维度的高低值
data_2020_maxtime["F_S"] = data_2020_maxtime["F_S"].values.astype(int)
# 根据平均分设置判断高低
grade_F_avg = data_2020_maxtime["F_S"].values.sum()/data_2020_maxtime["F_S"].count()
print(grade_F_avg)
# 将高对应为1 ，低的对应为0
data_F_S = data_2020_maxtime["F_S"].where(data_2020_maxtime["F_S"]>grade_F_avg,0)
data_2020_maxtime["F_high_low"] = data_F_S.where(data_2020_maxtime["F_S"]<grade_F_avg,1).values
# 设置M维度的高低值
data_2020_maxtime["M_S"] = data_2020_maxtime["M_S"].values.astype(int)
# 根据平均分设置判断高低
grade_M_avg = data_2020_maxtime["M_S"].values.sum()/data_2020_maxtime["M_S"].count()
print(grade_M_avg)
# 将高对应为1 ，低的对应为0
data_M_S = data_2020_maxtime["M_S"].where(data_2020_maxtime["M_S"]>grade_M_avg,0)
data_2020_maxtime["M_high_low"] = data_M_S.where(data_2020_maxtime["M_S"]<grade_M_avg,1).values

# 6、对每个用户进行类型标记
data_rfm = data_2020_maxtime[["uid","R_high_low","F_high_low","M_high_low"]]
# data_rfm = data_2020_maxtime
def get_sum_values(series):
    return"".join([str(i) for i in series.values.tolist()[1:]])
# 添加RFM字符串列
data_rfm["data_rfm"]= data_rfm.apply(get_sum_values,axis=1)
dic={
    "111":"重要价值客户",
    "011":"重要保持客户",
    "101":"重要发展客户",
    "001":"重要挽留客户",
    "110":"一般价值客户",
    "010":"一般保持客户",
    "100":"一般发展客户",
    "000":"一般挽留客户",
}
# RFM字符串数据映射成对应类型文字
data_rfm["data_rfm"]=data_rfm["data_rfm"].map(dic)
data_2020_maxtime["data_rfm"] =data_rfm["data_rfm"]
data_2020_maxtime.to_excel("RFM_Result_New.xlsx")

运行结果：

至此分类完成，可以针对不同的客户属性提供不同的业务。