利用python统计人数_产品经理10大基础技能（5）用Python建立并分析RFM模型（上篇）...

一千个观众眼中有一千个汉姆雷特，一千个产品经理眼中有一千种Python的看法！

人生苦短，我用Python做产品决策分析。

不忍心让数据分析工具的门槛占用产品经理太长的时间，更为了帮你节省寻觅数据分析工具的时间，笔者LineLian争取用一篇文章透析Python做数据产品分析RFM模型！

本篇背景先讲Python对产品经理的作用是分析产品，便于做出更科学的产品决策；然后详细讲解Python分析RFM的方法和步骤，最后分析并建立RFM模型。结果输出基于Python可视化分析的产品优化观点。

另外不建议产品经理写代码，但是数据产品经理和AI产品经理得能看懂Python代码。毕竟腾讯等大厂在招聘产品经理的JD中已经公开要求产品经理懂Python招聘信息如下图：

什么是RFM模型?

RFM最简单的理解如下图：

RFM模型的作用：

RFM模型分析的结果能够帮产品驱动运营制定合适的推广运营方案和选择适合的产品或服务提供给更精准的目标用户层。

RFM分析的前提条件：

1. 最近有过交易行为的客户，再次发生交易行为的可能性高于最近没有交易行为的客户。

2.交易频率高的客户，比交易频率低的客户，更有可能再次发生交易行为。

3.过去所有交易总金额较大的客户，比过去所有交易总金额较小的客户，更有消费积极性。

怎么分析RFM模型？

RFM模型有很多种分析方法，笔者推荐两种工具，其一是Python，其二是EXCEL(本篇为上篇，故此先讲Python分析RFM，下篇再讲EXCEL分析RFM模型)。少量的用户数据用EXCEL，具体量是多少呢一般5万条以内。大量的数据(大于5万条用户数据以上)或者说是大数据建议用Python体系做RFM模型。当然数据量小的也可以用Python。甚至可以做个Python模型，无论多少数据往模型一套，可以输出产品经理有用的决策信息即可。

用Python建立和分析RFM模型有几步？

第一步：确定要分析的产品数据源

源数据，本文数据集如果有需要的话，可以公众号LineLian数智产品窗口联系获取。如果觉得本文写的还不错，可以关注一下，获取更多精彩文章。

  原始数据集在这里先展示一下，让数据处理前对这个数据有一个主观印象。

从上图可见数据分为9列，其中订单状态中有退款的。

第二步：数据清洗

1.将上面源数据引入到Pyhon工具，进行数据清洗。实操如下图所示：

2.引入源数据，并删除退款行数据。然后对要分析的关键字进行关键字提取。

3.构造最近购买时间R

4.构造购买频次F

5.统计购买金额M

6.合并RFM

第三步：用户分层打分确认分层的维度表如下图：

第四步：计算RFM-SCORE分值

先计算R值，再计算F、M的值，然后和平均值对比，减少用户分类的数量。再后是对用户分层，构建合并指标。

第五步：统计人数和金额

1.统计人数

2.统计金额

第六步：构造转换函数

判断R/F/M的值是否大于均值，然后与第三步中的用户分层维度表对照，以转换判断客户类型。

第七步：Python下获得RFM的结果

第八步:做数据可视化

1.先得到人数和人数占比的可视化，人数和人数占比的可视化代码如下图：

人数和人数占比的可视化的结果如下图：

2.在做消费金额和金额占比可视化，可视化代码如下图：

消费金额和消费金额占比可视化图如下图：

第九步:产品或者运营人员对Python分析的RFM图像进行讲解

1.通过上面的分析可见，流失用户占比比较高，占到了54.13%，流失用户，表示最后一购买时间很长，金额小，订单少，说明产品实现了一定的拉新，但是留存率比较低。产品接下来的工作重点应该是针对流失客户的需求设计。

2.通过上面的分析可见消费金额高但是待唤回的客户占比也较高，占比68.49%。高消费待唤回用户指的是做出过很大消费，但是很久没有回来再次消费了。已经临近流失边缘，因此这部分用户产品可以驱动运营适当提高用户产品服务的信息触达。让用户真正感知到服务和产品的温度。

小结：

笔者LineLian撰写产品经理系列文章的基本逻辑是：先写产品经理，再写数据产品经理，最后的落脚点是讲AI产品经理，因为这是一个递进的过程，首先产品会逐渐累积数据，数据需要分析，数据到了分析决策产品优化的阶段就诞生了数据产品经理，但是仅仅有数据是不够的，数据需要智慧，智慧在呼喊AI产品经理。

备注：如果觉得本文写的还行，想要数据源练习一下，可以先分享朋友圈，然后微信后台要数据源练习。