RFM用户分析模型及python实现

小灰灰 2022-11-19 01:17 204阅读 0赞

## RFM简介 ##

RFM 是三个英文单词的缩写，分别对应着 Recency、Frequency 和 Monetary，具体含义如下  
![在这里插入图片描述][20210413230711944.png_pic_center]  
根据 RFM 这 3 个维度可以将用户分为 8 种  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MDYwNjc0_size_16_color_FFFFFF_t_70_pic_center]  
对 RFM 用户分析模型来说，只要数据中有用户名、订单日期和订单金额即可。

## 代码实现（python） ##

import pandas as pd
    
    pd.set_option('display.unicode.ambiguous_as_wide', True)
    pd.set_option('display.unicode.east_asian_width', True)
    
    # 读取订单表格数据
    df = pd.read_csv('https://media-zip1.baydn.com/storage_media_zip/srfeae/bf6dc7d814c520c60e5e632d281f14a4.ba163c25251bd44b74bde1bb4af7abdc.csv')
    #将订单日期转为日期格式
    df['订单日期']=pd.to_datetime(df['订单日期'])
    #计算RFM
    df_rfm = df.groupby('用户名').agg({ 
      '订单日期': lambda x: (pd.to_datetime('2019-12-31') - x.max()).days,  # 计算 R
      '用户名': lambda x: len(x),  # 计算 F
      '订单金额': lambda x: x.sum()  # 计算 M
    })
    #重命名列
    df_rfm.rename(columns={ '订单日期': 'R', '用户名': 'F', '订单金额': 'M'}, inplace=True)
    
    #检查
    #print(df_rfm)
    #df_rfm.describe()
    
    #打分规则
    def r_score(x):
      if x <= 29:
        return 4
      elif x <= 58:
        return 3
      elif x <= 119:
        return 2
      else:
        return 1
    
    def f_score(x):
      if x <= 1:
        return 1
      elif x <=2:
        return 2
      elif x <= 3:
        return 3
      else:
        return 4
    
    def m_score(x):
      if x <= 204:
        return 1
      elif x <= 606:
        return 2
      elif x <= 1334:
        return 3
      else:
        return 4
    
    df_rfm['r_score'] = df_rfm['R'].apply(r_score)
    df_rfm['f_score'] = df_rfm['F'].apply(f_score)
    df_rfm['m_score'] = df_rfm['M'].apply(m_score)
    
    #print(df_rfm.head())
    
    #简化结果
    df_rfm['R高低'] = df_rfm['r_score'].apply(lambda x: '高' if x > df_rfm['r_score'].mean() else '低')
    df_rfm['F高低'] = df_rfm['f_score'].apply(lambda x: '高' if x > df_rfm['f_score'].mean() else '低')
    df_rfm['M高低'] = df_rfm['m_score'].apply(lambda x: '高' if x > df_rfm['m_score'].mean() else '低')
    
    df_rfm['RFM'] = df_rfm['R高低'] + df_rfm['F高低'] + df_rfm['M高低']
    
    def rfm_type(x):
      if x == '高高高':
        return '重要价值用户'
      elif x == '低高高':
        return '重要唤回用户'
      elif x == '高低高':
        return '重要深耕用户'
      elif x == '低低高':
        return '重要挽留用户'
      elif x == '高高低':
        return '潜力用户'
      elif x == '高低低':
        return '新用户'
      elif x == '低高低':
        return '一般维持用户'
      elif x == '低低低':
        return '流失用户'
    
    df_rfm['用户类型'] = df_rfm['RFM'].apply(rfm_type)
    
    #结果分析
    df_rfm['用户类型'].value_counts() #value_counts() 方法会对一列数据中每个数据出现的次数进行统计
    df_count = df_rfm['用户类型'].value_counts().reset_index()
    df_count.rename(columns={ 'index': '用户类型', '用户类型': '人数'}, inplace=True)
    
    df_count['占比'] = df_count['人数'] / df_count['人数'].sum()  # 人数/总人数

[20210413230711944.png_pic_center]: /images/20221022/2ec802eee54d4f8094d27a1136f55488.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQ1MDYwNjc0_size_16_color_FFFFFF_t_70_pic_center]: /images/20221022/a3a6681aa79945daafb3ed4229cd81c2.png