支付机构MRC模型

Posted daoren

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了支付机构MRC模型相关的知识,希望对你有一定的参考价值。

一、电商RFM模型 

RFM模型是一个简单的根据客户的活跃程度和交易金额贡献所做的分类。因为操作简单,所以较为常用。

近度R:R代表客户最近的活跃时间距离数据采集点的时间距离,R越大,表示客户越久未发生交易,R越小,表示客户越近有交易发生。R越大则客户越可能会“沉睡”,流失的可能性越大。在这部分客户中,可能有些优质客户,值得公司通过一定的营销手段进行激活。

频度F:F代表客户过去某段时间内的活跃频率。F越大,则表示客户同本公司的交易越频繁,不仅仅给公司带来人气,也带来稳定的现金流,是非常忠诚的客户;F越小,则表示客户不够活跃,且可能是竞争对手的常客。针对F较小、且消费额较大的客户,需要推出一定的竞争策略,将这批客户从竞争对手中争取过来。

额度M:表示客户每次消费金额的多少,可以用最近一次消费金额,也可以用过去的平均消费金额,根据分析的目的不同,可以有不同的标识方法。一般来讲,单次交易金额较大的客户,支付能力强,价格敏感度低,是较为优质的客户,而每次交易金额很小的客户,可能在支付能力和支付意愿上较低。当然,也不是绝对的。

通过RFM分析将客户群体划分成一般保持客户、一般发展客户、一般价值客户、一般挽留客户、重要保持客户、重要发展客户、重要价值客户、要挽留客户等八个级别。

技术分享图片

技术分享图片

对于传统RFM模型,根据3个指标,划分8个客群,进行精细化运营、营销、管理。

二、MRC模型

根据RFM模型,整理线下支付机构最关注的指标,发现频次意义较小,线下支付机构主要靠商户端的套现手续费盈利。保留R、M,新增C指标,定义为笔均x贷记卡笔数占比。

从取数,到统计展示,做简单的过程梳理、记录。

1、取数

---支付机构MRC模型
select 
t1.pos_sn, 
t1.amt 总交易量,
ceil(sysdate - t1.maxday) 最后交易距今天数,
trunc((t1.amt/t1.cot)*(t1.credcot/t1.cot),0) 笔均x贷记卡笔占比,
t1.cot 笔数,
trunc(t1.amt/t1.cot,0) 笔均,
t1.credcot 贷记卡笔数,
trunc(t1.credcot/t1.cot,3) 贷记卡笔数占比,
p.agent_no 所属代理
from
(select ptd.pos_sn,max(ptd.order_time) maxday,sum(ptd.trans_amount) amt,
sum(ptd.trans_num) cot,
sum(case when ptd.card_type in (CREDIT_CARD,SEMI_CREDIT_CARD) then ptd.trans_num else 0 end) credcot
from posp_boss.pos_trans_day ptd
group by ptd.pos_sn)t1
left join posp_boss.pos p on p.pos_sn = t1.pos_sn
where p.deposit_flg = 1 ---and pos.type = ‘MF90‘
order by t1.amt desc,ceil(sysdate - t1.maxday)

 

使用Oracle数据库,已有按聚合的机具日交易量表,取出关键指标。

技术分享图片

 

2、分析

由于数据量超过40万,用EXCEL分析较为卡顿,使用python 进行统计展示。

               总交易量       最后交易距今天数      笔均X贷记卡笔占比
count  4.241090e+05  424109.000000  424109.000000
mean   5.513364e+05      46.862840    5105.828933
std    1.013319e+06      65.365966    4705.183574
min    1.000000e-02       2.000000       0.000000
25%    4.020922e+04       4.000000    1782.000000
50%    2.099190e+05      13.000000    3864.000000
75%    6.919676e+05      68.000000    7015.000000
max    4.194847e+07     372.000000   95453.000000

用简单的K均值聚类尝试分群

import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
mrc = pd.read_csv("C:/Users/wangd/Desktop/MRC.csv")
mrc.head()
mrc.iloc[:,1:4].describe()
#转化为数组
km = np.array(mrc.iloc[:,1:4])
#设置随机数
seed=9
#对数据进行聚类
clf=KMeans(n_clusters=8,random_state=seed)
#拟合模型
clf=clf.fit(km)
#查看聚类质心点
clf.cluster_centers_
#对原数据表进行类别标记
mrc[label]= clf.labels_
#查看标记后的数据
mrc.head()
#计算每个类别的数据量
c=mrc["label"].value_counts()

 

array([[8.23851049e+04, 5.19385405e+01, 3.62929498e+03],
       [3.57622006e+06, 5.53870694e+01, 7.05173435e+03],
       [1.08953507e+06, 4.87523004e+01, 7.16840196e+03],
       [1.04298146e+07, 6.42577938e+01, 5.69444724e+03],
       [2.02866108e+06, 4.90190455e+01, 7.49004477e+03],
       [4.96078891e+05, 3.00557403e+01, 6.84247185e+03],
       [1.97803666e+07, 6.25615385e+01, 6.66596154e+03],
       [6.13333712e+06, 6.27500000e+01, 6.26144459e+03]])

 

0    239447
5     89931
2     60533
4     22023
1      8250
7      2961
3       834
6       130
Name: label, dtype: int64

分类效果解读稍繁琐,也需要交叉验证。接下来尝试传统的三分法。

 

以上是关于支付机构MRC模型的主要内容,如果未能解决你的问题,请参考以下文章

机器阅读理解综述

珠海招商银行机构代码

个体户没有组织机构代码证如何开通微信公众号支付?

从零打造聚合支付系统:三应用微服务架构

新一代海关税费电子支付业务主要涉及哪些机构

巧用 Base62 解决字段太短的问题