支付机构MRC模型

Posted 2021-02-05 daoren

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。

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。

 

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。