不到70行Python代码，轻松玩转RFM用户分析模型
|
副标题[/!--empirenews.page--]
本文从RFM模型概念入手，结合实际案例，详解Python实现模型的每一步操作，并提供案例同款源数据，以供同学们知行合一。 注：想直接下载代码和数据的同学可以空降文末 看这篇文章前源数据长这样：  学完后只要敲一个回车，源数据就变成了这样：  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、价值分析模型，同时，这个模型以直白著称，直白到把需要的字段写在了脸上，让我们再念一遍：“R!F!M!”：
这三个维度，是RFM模型的精髓所在，帮助我们把混杂一体的客户数据分成标准的8类，然后根据每一类用户人数占比、金额贡献等不同的特征，进行人、货、场三重匹配的精细化运营。 用Python建立RFM模型，整体建模思路分为五步，一言蔽之——“五步在手，模型你有”，分别是数据概览、数据清洗、维度打分、分值计算和客户分层。 01 数据概览 我们的源数据是订单表，记录着用户交易相关的字段：  有个细节需要注意，订单每一行代表着单个用户的单次购买行为，什么意思呢?如果一个用户在一天内购买了4次，订单表对应记录着4行，而在实际的业务场景中，一个用户在一天内的多次消费行为，应该从整体上看作一次。 比如，我今天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。这一天内虽然我下单了3次，但最终这些兑换券我会一次消费掉，应该只算做一次完整的消费行为，这个逻辑会指导后面F值的计算。 我们发现在订单状态中，除了交易成功的，还有用户退款导致交易关闭的，那还包括其他状态吗?Let me see see：  只有这两种状态，其中退款订单对于我们模型价值不大，需要在后续清洗中剔除。 接着再观察数据的类型和缺失情况：  订单一共28833行，没有任何缺失值，Nice!类型方面，付款日期是时间格式，实付金额、邮费和购买数量是数值型，其他均为字符串类型。 02 数据清洗 剔除退款 在观察阶段，我们明确了第一个清洗的目标，就是剔除退款数据：  关键字段提取 剔除之后，觉得我们订单的字段还是有点多，而RFM模型只需要买家昵称，付款时间和实付金额这3个关键字段，所以提取之：  关键字段构造 上面的基础清洗告一段落，这一步关键在于构建模型所需的三个字段：R(最近一次购买距今多少天)，F(购买了多少次)以及M(平均或者累计购买金额)。 首先是R值，即每个用户最后一次购买时间距今多少天。如果用户只下单过一次，用现在的日期减去付款日期即可;若是用户多次下单，需先筛选出这个用户最后一次付款的时间，再用今天减去它。 需要提醒的是，时间洪流越滚越凶，对应在时间格式中，就是距离今天越近，时间也就越“大”，举个例子，2019年9月9日是要大于2019年9月1日的：  因此，要拿到所有用户最近一次付款时间，只需要按买家昵称分组，再选取付款日期的最大值即可：  为了得到最终的R值，用今天减去每位用户最近一次付款时间，就得到R值了，这份订单是7月1日生成的，所以这里我们把“2019-7-1”当作“今天”：  接着来搞定F值，即每个用户累计购买频次。 在前面数据概览阶段，我们明确了“把单个用户一天内多次下单行为看作整体一次”的思路，所以，引入一个精确到天的日期标签，依照“买家昵称”和“日期标签”进行分组，把每个用户一天内的多次下单行为合并，再统计购买次数：  上一步计算出了每个用户购买频次，这里我们只需要得到每个用户总金额，再用总金额除以购买频次，就能拿到用户平均支付金额：  最后，万剑归宗，三个指标合并：  至此，我们完成了模型核心指标的计算，算是打扫干净了屋子再请客。 03 维度打分 维度确认的核心是分值确定，按照设定的标准，我们给每个消费者的R/F/M值打分，分值的大小取决于我们的偏好，即我们越喜欢的行为，打的分数就越高： 以R值为例，R代表了用户有多少天没来下单，这个值越大，用户流失的可能性越大，我们当然不希望用户流失，所以R越大，分值越小。 F值代表了用户购买频次，M值则是用户平均支付金额，这两个指标是越大越好，即数值越大，得分越高。 （编辑：52站长网） 【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! |
