如何用PYTHON实现RFM模型分析

客户价值通过三个维度分成了8个等级

高价值客户（高、高、高）：最近消费时间较短、消费频度和消费金额都较高，这是需要重点关注和维护的客户。

重点保持客户（低、高、高）：最近消费时间较长，消费频次和消费金额都较高，说明这是个一段时间没来的忠实客户，需要主动保持联系。

重点发展客户（高、低、高）：最近消费时间较短、消费金额高，但消费频次较低。忠诚度不高，但是消费能力强，是非常有潜力的客户，需要重点跟进

模型实现
我模拟生成了一个Dataframe，里面包含三个维度，R,F,M，数据由np.random随机生成

import pandas as pd
import numpy as np
from sklearn.cluster import KMeans
data = {"R":np.random.randint(0,30,1000),"F":np.random.randint(0,20,1000),"M":np.random.randint(0,2000,1000)}
frame = pd.DataFrame(data)
frame
frame.describe()

我们随机选取中心点，并分成8个簇

clf = KMeans(n_clusters = 8,random_state = 50)
clf.fit(frame)

我们看看这8个簇中心点的坐标分别在哪里

8point = pd.DataFrame(clf.cluster_centers_,columns = ['R','F','M'])
8point

然后我们找寻RFM三个类别的中心点，根据大于小于这个中心点，我们把总的数据分成8个类型。

rmd = 8point['R'].median()
fmd = 8point['F'].median()
mmd = 8point['M'].median()
rmd,fmd,mmd

我们写一个函数，对表格进行加工贴上标签

def customer_type(frame): 
    customer_type = []
    for i in range(len(frame)):
        if frame.iloc[i,0]>=rmd and frame.iloc[i,1]>=fmd and frame.iloc[i,2]>=mmd:
            customer_type.append('高价值客户')
        elif  frame.iloc[i,0]<rmd and frame.iloc[i,1]>=fmd and frame.iloc[i,2]>=mmd:
            customer_type.append('重点保持客户')
        elif  frame.iloc[i,0]>=rmd and frame.iloc[i,1]<fmd and frame.iloc[i,2]>=mmd:
            customer_type.append('重点发展客户')
        elif  frame.iloc[i,0]<rmd and frame.iloc[i,1]<fmd and frame.iloc[i,2]>=mmd:
            customer_type.append('重点挽留客户')
        elif  frame.iloc[i,0]>=rmd and frame.iloc[i,1]>=fmd and frame.iloc[i,2]<mmd:
            customer_type.append('一般价值客户')
        elif  frame.iloc[i,0]<rmd and frame.iloc[i,1]>=fmd and frame.iloc[i,2]<mmd:
            customer_type.append('一般保持客户')
        elif  frame.iloc[i,0]>=rmd and frame.iloc[i,1]<fmd and frame.iloc[i,2]<mmd:
            customer_type.append('一般发展客户')
        else:
            customer_type.append('潜在客户')
    frame['客户分类'] = customer_type

我们对我们的数据使用这个函数

customer_type(frame)
frame

再看看各个分类有多少人数

frame.groupby(by='客户分类').size()

这里用matplotlib做了一个粗略的图，感觉要做好看的图还是得导出数据用tableau
最后看看高价值用户有哪些：

frame[frame['客户分类']=='高价值客户']

总结：这是我模拟的指标，对于实际的指标，也可以按照同样的方法对客户进行分类，然后根据不同的客户选择不同的运营策略