kmeans及模型评估指标_基于RFM模型用户价值分析（K-Means聚类）

1  项目背景

本次分析数据来源CDNow网站的用户在1997年1月1日至1998年6月30日期间内购买CD订单明细，对订单明细进行RFM模型的K-Means聚类分析并提出运营策略建议

2  数据探索import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

import seaborn as sns

#读取数据

columns = ['用户ID','订单时间','订单数量','订单金额']

#命名表头

data = pd.read_table("CDNOW.txt",names = columns,sep = '\s+')

data.head()

#查看数据形状

data.shape

#数据类型和结构

data.info()

-- 每个数据一共4列，分别是用户ID、订单时间、订单数量、订单金额，数据类型都是数值型

3  数据预处理

3.1  重复值、缺失值、异常值# 重复值查看

data.duplicated().value_counts()

#删除重复值

data=data.drop_duplicates()

-- 删除255个重复值# 观察订单金额为0的值

data[data['订单金额']==0].describe()

-- 共有80个，订单数均为1，可能是未付款订单或免费活动，没有明显价值，可以剔除data=data.drop(index=data[data['订单金额']==0].index)

3.2  数据类型调整# 将订单时间转换为日期格式

data.订单时间=pd.to_datetime(data.订单时间,format = '%Y%m%d')

data.info()

3.3  数据准备data.订单时间.describe(include='all')

-- 数据集的时间在1997-01-01到1998-06-30日，因此将此次观察日期定义为1998年6月30日

3.3.1  关键字段提取

RFM模型的定义：R为最近一次下单时间，F为购买频次，M为购买金额。提取所需要的字段信息：#R

data['时间间隔']=pd.to_datetime('1998-06-30')-data.订单时间

data['时间间隔'] = data['时间间隔'].apply(lambda x:x.days) #去掉days

rfm = data.groupby(['用户ID']).agg({'时间间隔':'min','订单数量':'count','订单金额':'sum'})

rfm.head()

3.3.2  标准化处理rfm = (rfm - rfm.mean(axis = 0))/(rfm.std(axis = 0)) # 处理后的数据均值为0，标准差为1

rfm.head()

#重置索引

rfm.reset_index(inplace=True)

#重命名列

rfm.columns = ['用户ID','R','F','M']

rfm.head()

-- 完成数据预处理

4  模型搭建和评估

利用K-means算法对客户进行聚类

结合业务，分析客户特征，分析客户价值

4.1  客户聚类

4.1.1  手肘法和轮廓系数找最优K#手肘法，通过学习曲线看SSE的变化，找到一个明显的拐点，在该位置后SSE曲线趋于平缓

from sklearn.cluster import KMeans

sse = []

for i in range(2,10):  # 不同簇的个数

km = KMeans(n_clusters=i).fit(rfm.loc[:,['R','F','M']])

sse.append(km.inertia_)

plt.plot(range(2,10),sse,marker='o')

-- 在K=4、5的时候SSE曲线趋于平缓，再用轮廓系数看一下from sklearn.metrics import silhouette_score

#轮廓系数：簇内差异小，簇外差异大

#越接近1表示样本与自己所在的簇中的样本很相似，并且与其他簇中的样本不相似

score=[]

for i in range(2,10):

km = KMeans(n_clusters=i).fit(rfm.loc[:,['R','F','M']])

score.append(silhouette_score(rfm.loc[:,['R','F','M']],km.labels_))

plt.plot(range(2,10),score,marker='o')

-- 选择最高点K=4进行聚类

4.1.2  数据聚类n_clusters=4

#进行K=4的聚类

kmodel=KMeans(n_clusters=n_clusters).fit(rfm.loc[:,['R','F','M']])

kmodel

#查看质心

centroid=kmodel.cluster_centers_

centroid

#查看每个样本对应的类别

y_pred=kmodel.labels_

y_pred

#把类别添加到rfm表中

rfm['类别']=y_pred

rfm.head()

#查看各类别人数

rfm['类别'].value_counts()

4.2  客户分类可视化#把类别人数和质心转换成表格形式，拼接在一起

r1 = pd.Series(y_pred).value_counts() #类别人数

r2 = pd.DataFrame(centroid) # 聚类中心

r = pd.concat([r2,r1],axis=1)

r.columns = list(rfm.loc[:,['R','F','M']]) + ['聚类个数']

r

# 中文和负号的正常显示

plt.rcParams['font.sans-serif'] = 'SimHei'

plt.rcParams['font.size'] = 12.0

plt.rcParams['axes.unicode_minus'] = False

# 所有簇中心坐标值中最大值和最小值

max = r2.values.max()

min = r2.values.min()

# 绘图

fig = plt.figure(figsize=(10, 8))

ax = fig.add_subplot(111, polar=True)

center_num = r.values

feature = ['最近一次消费时间-R',"消费频次-F", "消费金额-M"]

N = len(feature)

for i, v in enumerate(center_num):

# 设置雷达图的角度，用于平分切开一个圆面

angles = np.linspace(0, 2 * np.pi, N, endpoint=False)

# 为了使雷达图一圈封闭起来，需要下面的步骤

center = np.concatenate((v[:-1], [v[0]]))

angles = np.concatenate((angles, [angles[0]]))

# 绘制折线图

ax.plot(angles, center, 'o-', linewidth=2, label="第%d类人群,%d人" % (i + 1, v[-1]))

# 填充颜色

ax.fill(angles, center, alpha=0.25)

# 添加每个特征的标签

ax.set_thetagrids(angles * 180 / np.pi, feature, fontsize=15)

# 设置雷达图的范围

ax.set_ylim(min - 0.1, max + 0.1)

# 添加标题

plt.title('客户群特征分析图', fontsize=20)

# 添加网格线

ax.grid(True)

# 设置图例

plt.legend(loc='upper right', bbox_to_anchor=(1.3, 1.0), ncol=1, fancybox=True, shadow=True)

# 显示图形

plt.show()

5  客户价值分析

R：最近消费时间 F：消费频次 M：消费金额

经分析，把客户群体分为以下4类：

第1类人群：占比28.73%，RMF三个值都比较低，属于低价值用户

第2类人群：占比3.6%，F和M较高，R低，属于重要保持用户

第3类人群：占比67.52%(最多)，R值较高，属于一般发展用户

第4类人群：只有22人，F和M特别高，R低，属于高价值的重要保持用户

用户特点及策略：

(1)重要保持用户：

消费次数(F)和消费金额(M)高，最近消费时间(R)低

是公司的高价值用户，对公司贡献最大，所占比例小，主要目标是促进提高满意度，延长用户生命周期。可采取个性化营销，如设计VIP服务、提供高质量产品、与客户互动了解情况等，促进用户回流。

(2)重要发展用户： 消费次数(F)和消费金额(M)低，最近消费时间(R)高

此类客户当前价值不高，但是所在比例最大，有发展潜力，主要目标是提升其购买频次和金额，可采取交叉销售、个性化推荐、组合优惠券等策略，提升单次购买的订单金额及促进重复购买。

(3)低价值用户：

消费次数(F)、消费金额(M)和最近消费时间(R)三个值都低

此类用户优先级最低，可能在打折促销、打造爆款时会进行购买。

小结：各类别用户都明显出现R值低的情况，说明用户留存较低，结合业务场景(CDNow在线CD零售平台)，属于用户消费频次高的场景，应引起重视，找到产品问题，提高用户留存，培养用户忠诚度