不到70行Python代码，轻松玩转RFM用户说明模子

本文从RFM模子观念入手，团结现实案例，详解Python实现模子的每一步操纵，并提供案例同款源数据，以供同窗们知行合一。

注：想直接下载代码和数据的同窗可以空降文末

看这篇文章前源数据长这样：

学完后只要敲一个回车，源数据就酿成了这样：

是不是心动了?OK，闲话少叙，我们来开动正餐!

RFM，是一种经典到头皮发麻的用户分类、代价说明模子，同时，这个模子以直白著称，直白到把必要的字段写在了脸上，让我们再念一遍：“R!F!M!”：

• R，Rencency，即每个客户有几多天没回购了，可以领略为最近一次购置到此刻隔了几多天。
• F，Frequency，是每个客户购置了几多次。
• M，Monetary，代表每个客户均匀购置金额，这里也可所以累计购置金额。

这三个维度，是RFM模子的精华地址，辅佐我们把稠浊一体的客户数据分成尺度的8类，然后按照每一类用户人数占比、金额孝顺等差异的特性，举办人、货、场三重匹配的风雅化运营。

用Python成立RFM模子，整体建模思绪分为五步，一言蔽之——“五步在手，模子你有”，别离是数据概览、数据洗濯、维度打分、分值计较和客户分层。

01 数据概览

我们的源数据是订单表，记录着用户买卖营业相干的字段：

有个细节必要留意，订单每一行代表着单个用户的单次购置举动，什么意思呢?假如一个用户在一天内购置了4次，订单表对应记录着4行，而在现实的营业场景中，一个用户在一天内的多次斲丧举动，应该从整体上看作一次。

好比，我本日10点在必胜客天猫店买了个披萨兑换券，11点又下单了饮料兑换券，18点看到优惠又买了两个冰淇淋兑换券。这一天内固然我下单了3次，但最终这些兑换券我会一次斲丧掉，应该只算做一次完备的斲丧举动，这个逻辑会指导后头F值的计较。

我们发此刻订单状态中，除了买卖营业乐成的，尚有效户退款导致买卖营业封锁的，那还包罗其他状态吗?Let me see see：

只有这两种状态，个中退款订单对付我们模子代价不大，必要在后续洗濯中剔除。

接着再调查数据的范例和缺失环境：

订单一共28833行，没有任何缺失值，Nice!范例方面，付款日期是时刻名目，实付金额、邮费和购置数目是数值型，其他均为字符串范例。

02 数据洗濯

剔除退款

在调查阶段，我们明晰了第一个洗濯的方针，就是剔除退款数据：

要害字段提取

剔除之后，认为我们订单的字段照旧有点多，而RFM模子只必要买家昵称，付款时刻和实付金额这3个要害字段，以是提取之：

要害字段结构

上面的基本洗濯告一段落，这一步要害在于构建模子所需的三个字段：R(最近一次购置距今几多天)，F(购置了几多次)以及M(均匀可能累计购置金额)。

起首是R值，即每个用户最后一次购置时刻距今几多天。假如用户只下单过一次，用此刻的日期减去付款日期即可;如果用户多次下单，需先筛选出这个用户最后一次付款的时刻，再用本日减去它。

必要提示的是，时刻洪水越滚越凶，对应在时刻名目中，就是间隔本日越近，时刻也就越“大”，举个例子，2019年9月9日是要大于2019年9月1日的：

因此，要拿到全部用户最近一次付款时刻，只必要按买家昵称分组，再选取付款日期的最大值即可：

为了获得最终的R值，用本日减去每位用户最近一次付款时刻，就获得R值了，这份订单是7月1日天生的，以是这里我们把“2019-7-1”看成“本日”：

接着来搞定F值，即每个用户累计购置频次。

在前面数据概览阶段，我们明晰了“把单个用户一天内多次下单举动看作整体一次”的思绪，以是，引入一个准确到天的日期标签，依照“买家昵称”和“日期标签”举办分组，把每个用户一天内的多次下单举动归并，再统计购置次数：

上一步计较出了每个用户购置频次，这里我们只必要获得每个用户总金额，再用总金额除以购置频次，就能拿到用户均匀付出金额：

最后，万剑归宗，三个指标归并：

至此，我们完成了模子焦点指标的计较，算是拂拭干净了房子再宴客。

03 维度打分

维度确认的焦点是分值确定，凭证设定的尺度，我们给每个斲丧者的R/F/M值打分，分值的巨细取决于我们的偏好，即我们越喜好的举动，打的分数就越高：

以R值为例，R代表了用户有几多天没来下单，这个值越大，用户流失的也许性越大，我们虽然不但愿用户流失，以是R越大，分值越小。

F值代表了用户购置频次，M值则是用户均匀付出金额，这两个指标是越大越好，即数值越大，得分越高。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!