基于RFM模型对某平台客户运营价值分析的项目案例

一、需求

1.根据某*电商平台的某*店铺历史交易数据进行整体的统计分析，按月统计销售数量及交易金额的变化趋势，统计各省份的销售情况，及销售环比情况。

2.根据某*电商平台的某*店铺历史交易数据进行历史客户价值分析。考虑用户对店铺的贡献，复购率、对品牌的忠诚等因素，为用户贴标签，客户更加精准地进行划分，从而实现针对性的营销运营，降低营销成本，同时提高营销效果。

---

工具：mysql+python+tableau

可视化截图

二、获取源数据

数据存在公司数据库，在做数据分析测试阶段，我们提取2018.11-2019.5的数据集用于做前期的数据分析。

数据字段及解释如下：orders（订单明细）表和failedorder(交易未达成)表。

#pandas库连接mysql获取数据
import pandas as pd
import pymysql
from sqlalchemy import create_engine
 
# 初始化数据库连接，使用pymysql模块
# MySQL的用户：root, 密码:123456, 端口：3306,数据库：lean2
con = create_engine('mysql+pymysql://root:123456@localhost:3306/rfm')

sql01 = '''select * from orders;'''
sql02 = '''select * from failedorder;'''
# read_sql_query的两个参数: sql语句， 数据库连接
orders = pd.read_sql_query(sql01, con = con)
failedorder = pd.read_sql_query(sql02,con=con)
print(orders.shape,failedorder.shape) #-->(28809, 12) (1040, 2)

三、数据清洗（工具：python）

1、合并表

df=orders.merge(failedorder,how='left',on="order_id") #表合并
#合并后failed_state字段如果为空，则表示交易成功
df['failed_state'] = df['failed_state'].fillna("交易成功") 
display(df.head())

2、数据过滤，删除交易失败的数据集

df = df[df['failed_state']== "交易成功"]  #布尔过滤
# df = df.query("failed_state == '交易成功'")  #query()过滤
display(df.shape)  #(27769, 13)

3、获取统计信息,初步发现异常值

display(df.describe())  #获取统计信息
display(df.info())      #发现缺失值
display(df[['money','postage','num']].describe()) #数值型变量单独统计
display(df[df.duplicated(subset=['order_id'],keep='first')])#发现重复值

4、查看异常值并处理

df = df.drop_duplicates(subset=['order_id'],keep='first',inplace=False) #删除重复值

display(df[df["paytime"].isnull()])  #查看paytime为空的行信息

df["paytime"]  = df["paytime"].fillna('2018-11-03 10:24:06.000')
display(df.loc[28808:28809])

 

display(df[df["money"].isnull()])  #查看money为空的行信息,无，已被连带删除

display(df[df["city"].isnull()])  #查看city为空的行信息
df["city"]=df["city"].fillna("未知")
display(df[df["city"]=="未知"])

5、离群值检验与处理

import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt  #最常用的绘图库
 
mpl.rcParams["font.family"]="SimHei"  #使用支持的黑体中文字体
mpl.rcParams["axes.unicode_minus"]=False # 用来正常显示负号  "-"
plt.rcParams['font.sans-serif']=['SimHei'] # 用来正常显示中文标签
# % matplotlib inline  #jupyter中用于直接嵌入图表，不用plt.show()
import warnings
warnings.filterwarnings("ignore") #用于排除警告

#画布
figure = plt.figure(num="箱型图",figsize=(8,3),dpi=80,facecolor="LightGray",edgecolor="blue",frameon=True)
# 数据
money = df["money"]
num = df["num"]

axes1= plt.subplot(1,2,1)
plt.title("money箱型图")
plt.xlabel("money")
plt.ylabel("value")
axes1.boxplot(money,sym="o",whis=1.5)

axes2= plt.subplot(1,2,2)
plt.title("num箱型图")
plt.xlabel("num")
plt.ylabel("value")
axes2.boxplot(num,sym="o",whis=1.5)

plt.show()

display(df[df["money"]==df["money"].max()])
df = df.drop(28796, inplace=False, axis=0) #删除

#在看图
figure = plt.figure(num="箱型图",figsize=(8,3),dpi=80,facecolor="LightGray",edgecolor="blue",frameon=True)
# 数据
money = df["money"]
axes1= plt.subplot(1,2,1)
plt.title("money箱型图")
plt.xlabel("money")
plt.ylabel("value")
axes1.boxplot(money,sym="o",whis=1.5)
plt.show()

display(df[df["money"]>1000])
# 查看数据，发现交易数量也比较多，所以属于正常值，不再做数据处理，实际工作中还可以咨询相关业务员人员查验数据

6、保存清洗后的数据

#保存清洗后的数据
import pandas as pd
import pymysql
from sqlalchemy import create_engine
 
# 初始化数据库连接，使用pymysql模块
# MySQL的用户：root, 密码:123456, 端口：3306,数据库：lean2
con = create_engine('mysql+pymysql://root:123456@localhost:3306/rfm')
 
#直接写入数据-->mydf-->mydf表会自动创建
# 将新建的DataFrame储存为MySQL中的数据表，储存index列
df.to_sql('orders_new', con, index=True)
print('Read from and write to Mysql table successfully!')

四、建立用户标签的RFM模型

1.什么是RFM模型？

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。
该模型通过一个客户的近期购买行为R、购买的总体频次(F)以及消费金额(M)三项指标来描述该客户的价值状况，把客户更加精准地进行划分，从而实现针对性的营销，降低营销成本，同时提高营销效果。
详细来说，R指的是客户最后一次下单时间距离今天多少天了，该指标与客户的复购和流失直接相关。F指标指的是客户的下单频次，即客户在某个时间段内共消费了多少次，该指标用于衡量客户消费的活跃度。M指标是客户在该时间段内共消费了多少钱，该指标用于反应客户对于公司的贡献值。

RFM模型给每一个用户进行分层。这里我们需要建立一个评判标准，由于RFM模型本身就是需要根据不同场景和业务需求来建立的，因此这个分层标准，也是需要我们沟通业务后，得到最后的分层标准。

2、特征选取

从模型所需字段来看，我们只需要用户名称、交易金额两个字段即可,但考虑到地域分布，所以把地区相关的字段也加入,其次我们说R是最近一次购买距离现在多少天，所日期字段需要进行处理。

import pandas as pd
import pymysql
from sqlalchemy import create_engine
 
# 初始化数据库连接，使用pymysql模块
# MySQL的用户：root, 密码:123456, 端口：3306,数据库：lean2
con = create_engine('mysql+pymysql://root:131129@localhost:3306/rfm')

sql = '''select buyername,shiptime,money,province,city from orders_new;'''
# read_sql_query的两个参数: sql语句， 数据库连接
df = pd.read_sql_query(sql, con = con)
display(df.head())

#由于训练数据集固定的原因，先假定今天为2019年6月1日
df["day_s"]=(pd.to_datetime("2019/6/1") - pd.to_datetime(df['shiptime'],errors='coerce')).dt.days
display(df.tail())

3、特征值转化

每个用户最近一次购买到今天的天数R，每个用户购买的总体频率(F)以及消费金额(M)

group_df = df[["buyername",'province','city','money','day_s']].groupby(["buyername",'province','city']).agg({"day_s":"min","money":["count","sum"]})
group_df.head()
group_df.columns = ["R","F","M"]
display(group_df[group_df["F"]>5])

4、客户分类

display(group_df.describe()) #查看三特征变量的统计信息

如果以上三个维度将数据划分为5个数据等级，这样就能够细分出5x5x5=125类用户，再根据每类用户精准营销……显然不可能为125类用户量体定制营销策略。实际运用上，我们把每个维度划分为2个数据等级（按照均值/中位数划分），这样在3个维度上我们依然得到了8组用户，基本达到我们的需求。优质客户等级用1表示，易流失、消费频次低、消费金额少用0表示

RFM模型分析

• 重要价值客户（111）：最近消费时间近、消费频次和消费金额都很高。
• 普通忠实客户（110）：最近消费时间较近、消费频次高，但消费金额不高。
• 重要交流客户（011）：最近消费时间较远，但消费频次和金额都很高，说明这是个一段时间没来的忠诚客户，我们需要主动和他保持联系。
• 重要发展客户（101）：最近消费时间较近、消费金额高，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。
• 新客户（100）：最近消费时间较近，但消费频次和金额都不高。
• 重要挽留客户（001）：最近消费时间较远、消费频次不高，但消费金额高的用户，可能是将要流失或者已经要流失的用户，应当极力挽留措施。
• 尽量挽留客户（010）：最近消费时间较远、消费频次高，消费金额低的用户，原来的普通忠实客户，可能即将要流失或者已经流水，普通公司还得靠这群人支撑。这层级的用户多，那么就要考虑产品自身的因素了。
• 散客（000）：最近消费时间较远、消费频次不高，消费金额也不高的用户。

这里我们按照中位数划分，中位数划分的好处在于受离群点的影响比均值更小。

#计算每个维度的中位数，按照中位数划分
R_median= group_df.median()["R"]
F_median= group_df.median()["F"]
M_median= group_df.median()["M"]
display(R_median,F_median,M_median)

# 客户分类
#注意时间天数是越小越好。
def func1(x):
    if xF_median:
        return 1
    else:
        return 0
    
def func3(x):
    if x>M_median:
        return 1
    else:
        return 0
group_df["R_median"] = group_df["R"].apply(func1)
group_df["F_median"] = group_df["F"].apply(func2)
group_df["M_median"] = group_df["M"].apply(func3)
display(group_df.sample(10))

5、客户贴标签

#用户贴标签
def fun_abel(x):
    if x.iloc[0]==1 and x.iloc[1]==1 and x.iloc[2]== 1:
        return "1重要价值客户"
    elif x.iloc[0]==1 and x.iloc[1]==1 and x.iloc[2]== 0:
        return "2普通忠实客户"
    elif x.iloc[0]==0 and x.iloc[1]==1 and x.iloc[2]== 1:
        return "3重要交流客户"
    elif x.iloc[0]==1 and x.iloc[1]==0 and x.iloc[2]== 1:
        return "4重要发展客户"
    elif x.iloc[0]==1 and x.iloc[1]==0 and x.iloc[2]== 0:
        return "5新客户" 
    elif x.iloc[0]==0 and x.iloc[1]==0 and x.iloc[2]== 1:
        return "6重要挽留客户"
    elif x.iloc[0]==0 and x.iloc[1]==1 and x.iloc[2]== 0:
        return "7尽量挽留客户" 
    elif x.iloc[0]==0 and x.iloc[1]==0 and x.iloc[2]== 0:
        return "8散客"

group_df["label"]=group_df[['R_median','F_median','M_median']].apply(fun_abel,axis=1)
display(group_df.head())

6、保存RFM及labal数据

import pandas as pd
import pymysql
from sqlalchemy import create_engine

#转化一下表,去除多个索引
df2 = group_df.reset_index(0, drop=False)
df2 = df2.reset_index(0, drop=False)
group_df = df2.reset_index(0, drop=False)
display(group_df.head())

 
# 初始化数据库连接，使用pymysql模块
# MySQL的用户：root, 密码:123456, 端口：3306,数据库：lean2
con = create_engine('mysql+pymysql://root:131129@localhost:3306/rfm')
 
#直接写入数据-->mydf-->mydf表会自动创建
# 将新建的DataFrame储存为MySQL中的数据表，储存index列
group_df.to_sql('orders_rfm', con, index=True)
print('Read from and write to Mysql table successfully!')

7、统计分类客户人群分布

label_df = group_df.groupby('label').agg({'label':"count"})
label_df.columns = ['count']
display(label_df.T )

label_df=label_df.sort_index(axis=0, ascending=False)
x=label_df.index.values
y=label_df["count"]
figure = plt.figure(num="用户分类",figsize=(8,4),dpi=80,facecolor="LightGray",edgecolor="blue",frameon=True)
axes1=figure.add_subplot(1,1,1)
plt.barh(x, y, align='center',color=['gray','orange','r','y','c','m','y','g'], ecolor='black')
plt.title("用户分类数量图")
plt.xlabel("数量")
for y, x in enumerate(y):
    plt.text(x+1, y, "%s" %x)
plt.show()

8、代码封装

略

五、可视化展示