Python学习笔记-3群18组-杜杜狼-2017.7.27

Lesson 33 RFM分析

根据客户活跃程度和交易金额贡献，进行客户价值细分的方法
R（Recency）近度： 客户最近一次交易时间的间隔；R越大，表示客户越久没发生过交易；
F（Frequency）频度：客户在最近一段时间内交易的次数；F越大，表示客户交易越频繁
M（Monetary）额度：客户在最近一段时间内交易的金额；M越大，表示客户价值越高

RFM分析过程

• 计算RFM各项分值
  R_S 距离当前日期越近，得分越高，最高5分，最低1分
  F_S 交易频率越高，得分越高，最高5分，最低1分
  M_S 交易金额越高，得分越高，最高5分，最低1分
• 汇总RFM分值
  RMF = 100 * R_S + 10 * F_S + 1 * M_S
• 根据RFM 分值对客户分类

RFM分析前提

• 最近有过交易行为的客户，再次发生交易的可能性要高于最近没有交易行为的客户
• 交易频率较高的客户比交易频率较低的客户，更有可能再次发生交易行为
• 过去所有交易总金额较多的客户，比交易总金额较少的客户，更有消费积极性

常规RFM数据格式

OrderID	CustomerID	DealDateTime	Sales
订单编号	客户编号	交易时间	交易金额

#对R, F, M进行聚合运算
#R_Agg用的是Python 3写法，否则有warning
R_Agg = data.groupby(
    by=['CustomerID']
)['DateDiff'].agg(numpy.min).rename('amin': 'RecencyAgg')

F_Agg = data.groupby(
    by=['CustomerID']
)['OrderID'].agg({
    'FrequencyAgg': numpy.size
})

M_Agg = data.groupby(
    by=['CustomerID']
)['Sales'].agg({
    'MonetaryAgg': numpy.sum
})

#把聚合后的结果汇总进一张表
aggData = R_Agg.join(F_Agg).join(M_Agg)

#对R, M, F score利用正态分布分组，都是分成五组
bins = aggData.RecencyAgg.quantile(
    q=[0, 0.2, 0.4, 0.6, 0.8, 1],
    interpolation='nearest'
)
#避免最小值不闭合的错误
bins[0] = 0
labels = [5, 4, 3, 2, 1]
R_S = pandas.cut(
    aggData.RecencyAgg, 
    bins, labels=labels
)

bins = aggData.FrequencyAgg.quantile(
    q=[0, 0.2, 0.4, 0.6, 0.8, 1],
    interpolation='nearest'
)
bins[0] = 0;
labels = [1, 2, 3, 4, 5];
F_S = pandas.cut(
    aggData.FrequencyAgg, 
    bins, labels=labels
)

bins = aggData.MonetaryAgg.quantile(
    q=[0, 0.2, 0.4, 0.6, 0.8, 1],
    interpolation='nearest'
)
bins[0] = 0
labels = [1, 2, 3, 4, 5]
M_S = pandas.cut(
    aggData.MonetaryAgg, 
    bins, labels=labels
)

#根据行业专家给出的经验公式，计算RFM得分
aggData['RFM'] = 100*R_S.astype(int) + 10*F_S.astype(int) + 1*M_S.astype(int)

/*按照RMF对用户类型的划分，将所有用户分成8类：
高价值客户，重点保持客户，重点发展客户，重点挽留客户，
一般价值客户，一般保持客户，一般发展客户，潜在客户*/
bins = aggData.RFM.quantile(
    q=[
        0, 0.125, 0.25, 0.375, 0.5, 
        0.625, 0.75, 0.875, 1
    ],
    interpolation='nearest'
)
bins[0] = 0
labels = [1, 2, 3, 4, 5, 6, 7, 8]
aggData['level'] = pandas.cut(
    aggData.RFM, 
    bins, labels=labels
)

Lesson 34 矩阵分析

根据事物（如产品，服务等）的两个重要属性（指标）作为分析的依据，进行关联分析，找出解决问题的一种分析方法
matplotlib相关问题后续学习