柳市网站建设,阳谷网站建设费用,wordpress支持的邮箱,建筑行业网站模板目录1、RFM模型介绍2、Excel实际RFM划分案例3、RFM案例3.1 数据加载和基本信息查看3.2 数据预处理和RFM的初始值计算3.3 RFM区间和划分和分值计算3.4 RFM计算结果保存3.4.1 保存到excel3.4.2 保存到数据库3.5 RFM计算结果可视化3.6 结果分析#xff08;营销建议#xff09;3.…
目录1、RFM模型介绍2、Excel实际RFM划分案例3、RFM案例3.1 数据加载和基本信息查看3.2 数据预处理和RFM的初始值计算3.3 RFM区间和划分和分值计算3.4 RFM计算结果保存3.4.1 保存到excel3.4.2 保存到数据库3.5 RFM计算结果可视化3.6 结果分析营销建议3.7 案例注意点4、总结1、RFM模型介绍
RFM客户价值模型详细介绍 R最近一次购买时间Rrecenty 购买频率F(frequency) 购买金额Mmonetary 通过这三个维度来评估客户的订单活跃价值用来做客户分群或价值区分 RFM模型基于一个固定的时间点做的分析 RFM模型的实习过程 设置做计算的截止时间点 以时间点为截止时间节点向前推固定周期 数据预计算初始RFM最近的订单时间R订单数量F订单总金额M RFM区间分组。FM越大越好R越小越好得到一个分数值 将三个维度值组合或者相加得到总的RFM分 RMF分别为231 则拼接RFM 231 求和RFM6
2、Excel实际RFM划分案例 RFM划分过程 提取用户最近一次的交易时间算出距离计算时间的差值 当前时间TODAY() 计算最近一次交易时间距当前时间的间隔 时间间隔 Days(后时间前时间) 3根据间隔天数长度赋予对应的R值 if(条件满足条件师输出内容不满足时输出内容) 4从历史数据中提取所有用户的购买次数根据次数多少赋予对应的F值 5从历史数据中汇总求得该用户的交易总额根据金额大小赋予对应的M值 6求出RFM的中值例如中位数用中值和用户的实际值进行比较高于中值的为高否则为低 7在得到不同会员的RFM之后根据步骤5产生的两种结果有两种应用思路 思路1基于3个维度值做用户群体划分和解读对用户的价值度做分析 思路2基于RFM的汇总得分评估价值度 基于不同群体用户做不同的策略
RFM数值可以作为一些数据挖掘的输入信息
3、RFM案例
用户价值细分是了解用户价值度的重要途经针对交易数据分析最主要用的就是RFM模型 一般对每个维度分三个划分最多33327种
数据sales.xlsx。密码gi7b 数据介绍
3.1 数据加载和基本信息查看
import pandas as pd
import numpy as np
import time
import pymysql
from pyecharts.charts import Bar3D
#忽略警告
import warnings
warnings.filterwarnings(ignore)数据是一个有五个sheet的excel表格 如何处理多sheet的excel表导入python
#加载数据
#数据是一个有五个sheet的excel表格
sheet_names [2015,2016,2017,2018,会员等级]
sheet_datas [pd.read_excel(./data/sales.xlsx,sheet_namei) for i in sheet_names]
#每个sheet数据都读出来放在列表中#zip将两个列表的元素组合起来
for each_name,each_data in zip(sheet_names,sheet_datas):print([data summary for {}].format(each_name)) #打印是哪个sheet表名print(Overview:,\n,each_data.head(4))#打印前四行print(DESC:,\n,each_data.describe())#数据的描述性信息print(NA records,each_Data.isnull().any(axis1).sum())#缺失值记录数print(Dtypes,each_data.dtypes)#数据类型结论日期列已经自动识别日期格式 订单金额的分布不均匀有明显的极大值 有的表存在缺失值但缺失量不大 等等
3.2 数据预处理和RFM的初始值计算
思路缺失值异常值处理–添加每年的最大日期—四年数据拼接—增加间隔列和日期列—计算RFM各值
1缺失值异常值处理
for i,each_data in enumerate(sheet_datas[:]-1):#只要前四个表数据会员等级那个不要#删除含有缺失值的行这些行不多而原数据大量--所以直接删each_data each_data.dropna()#删除缺失行dropna#剔除订单金额小于1的数据这些很可能是异常的sheet_data[i] each_data[each_data[订单金额]1]#添加提交订单日期最大值这一列方便后面计算时间间隔sheet_datas[i][max_year_data] sheet_datas[i][提交日期].max()sheet_datas[0] #先查看一下2数据拼接----pd.concat() 四年的数据合并一下后面就不用再循环读取了
#将四年的数据合并一下按行拼接
data_merge pd.concat(sheet_datas[:-1])
data_merge虽然把四年的数据合并在了一起但是还是分年进行分析的
3增加两列: date_interval(当年中此提交日期和最大的日期之间的差值),是当年的最后日期 year(年份)
#订单数据处理增加两列date_interval、year
data_merge[date_interval] data_merge[max_year_date] - date_merge[提交日期]
data_merge[year] date_merge[提交日期].dt.year
date_merge.head()此时date_interval类型是两日期相减后的我们想要改成数字类型
data_merge[date_intervl] data_merge[date_intervl].dt.days
data_merge.info此时改好了
4计算RFM数据 Rdate_interval列分组后计算最小值 F频率按照年和会员id分组后计数 M按照年和会员id分组后对订单金额求和 此时的数据
data_merge.groupby([year,会员ID]).agg((date_interval:min,订单号:count,订单金额:sum))data_merge.groupby([year,会员ID],as_indexFalse).agg((date_interval:min,订单号:count,订单金额:sum))
#分组列不作为行标签as_indexFalse#修改列名
rfm_gb.columns [year,会员ID,r,f,m]
rfm_gb.head()3.3 RFM区间和划分和分值计算
上面已经得到RFM具体值但我们是需要划分区间333个区间 如何定区间的边界值 先看一下数值的统计值
emfm_gb.iloc[:,2:].describe().T #T转置一下可以划定的三个区间最小值-1/4分位数1/4分位数-3/4分位数3/4分位数-最大值 和业务部门沟通确定结合业务确定
#定义区间边界
r_bins [-1,79,255,365]#左开右闭所以边界小于最小值
f_bins [0,2,5,130]
m_bins [0,69,1199,206252]下面用pd.cut进行分割
pd.cut(rfm_gb[r],binsr_bins)进行了区间分割并且打了分数
rfm_gb[r_score] pd.cut(rfm_gb[r],binsr_bins,labels[3,2,1])#给三个区间给定分数123
rfm_gb[f_score] pd.cut(rfm_gb[f],binsf_bins,labels[1,2,3])
rfm_gb[m_score] pd.cut(rfm_gb[m],binsm_bins,labels[1,2,3])
rfm_gb将RFM的值进行拼接
先将默认类型int转化成str类型
rfm_gb[r_score] rfm_gb[r_score].astype(np.str)
rfm_gb[f_score] rfm_gb[f_score].astype(np.str)
rfm_gb[m_score] rfm_gb[m_score].astype(np.str)
rfm_gb.info()进行拼接输出212这种增加一列 str.cat()
rfm_gb[rfm_group] rfm_gb[r_score].str.cat(rfm_gb[f_score]).str.cat(rfm_gb[m_score])
rfm_gb有了上述数据需要进行保存
3.4 RFM计算结果保存
3.4.1 保存到excel
to_excel
#保存到excel
rfm_gb.to_excel(./data/sales_rfm.xlsx)3.4.2 保存到数据库
2.1 创建sale_rfm_score数据表 配置参数信息 建表操作 2.2 写入数据到sales_rfm_score数据表
3.5 RFM计算结果可视化
未来更好地了解各组RFM人数的变化绘制3D柱形图 三个维度年份、、
#汇总结果统计不同不同年份的不同rfm分值的会员数量
display_data rfm_gb.groupby([rfm_group,year],as_indexFalse)[会员ID].count()
display_data[rfm_group] [rfm_group,year,number]
display_data[rfm_group].astype(np.int32) #转化类型成int32
display_data.head()数据拿到后准备绘图
from pyecharts.commons.utils import JsCode
from pyecharts import options as optsrange_color [#313695, #4575b4, #74add1, #abd9e9, #e0f3f8, #ffffbf,#fee090, #fdae61, #f46d43, #d73027, #a50026]
range_max int(display_data[number].max())# 绘制 3D 图形
bar Bar3D().add(series_name,data[d.tolist() for d in display_data.values],xaxis3d_optsopts.Axis3DOpts(type_category, name分组名称), yaxis3d_optsopts.Axis3DOpts(type_category, name年份),zaxis3d_optsopts.Axis3DOpts(type_value, name会员数量)
).set_global_opts(visualmap_optsopts.VisualMapOpts(max_range_max, range_colorrange_color),title_optsopts.TitleOpts(titleRFM分组结果)
)#xaxis3d_opts是对x轴visualmap_opts缩放条图片也可以旋转
bar.render_notebook()理解上面的作图代码
[d.tolist() for d in display_data.values]
#将display_data中数值遍历后放在list列表中3.6 结果分析营销建议
根据上面的图能发现2018年212群体的数量最多。 从2016到2017年用户群体数量变化不大但到了2018年增长了近一倍作为重点分析人群 除212外312213211及112人群都在各个年份占据很大数量 有很大分组人数很少甚至没有
根据用户的量级可以分成两类 第一类用户群体占比超过10%的群体 第二类占比在个位数的群体1%-10%
第三类占比非常少但却非常重要的群体 企业可以针对3类群体按照公司实际运营需求制定针对不同群体的策略 录入数据库或者保存下来的数据可以应用到其他模型当中去成为模型输入的关键维度特征
3.7 案例注意点
1不同品类、行业对于RFM的依赖度是有差异的甚至不同阶段也有影响 例如 大型家电消费周期长的企业R和M更重要 快消等短而快的更看重R和F
2RFM的区间划分需要结合业务情况
4、总结
RFM模型是经典的一种用户分群方法如果数据量不大可以直接用excel实现RFM并非适用所有行业多用于复购率较高的行业
