RFM用户分析模型及python实现

RFM简介

RFM 是三个英文单词的缩写，分别对应着 Recency、Frequency 和 Monetary，具体含义如下

根据 RFM 这 3 个维度可以将用户分为 8 种

对 RFM 用户分析模型来说，只要数据中有用户名、订单日期和订单金额即可。

代码实现（python）

import pandas as pd

pd.set_option('display.unicode.ambiguous_as_wide', True)
pd.set_option('display.unicode.east_asian_width', True)

# 读取订单表格数据
df = pd.read_csv('https://media-zip1.baydn.com/storage_media_zip/srfeae/bf6dc7d814c520c60e5e632d281f14a4.ba163c25251bd44b74bde1bb4af7abdc.csv')
#将订单日期转为日期格式
df['订单日期']=pd.to_datetime(df['订单日期'])
#计算RFM
df_rfm = df.groupby('用户名').agg({
     
  '订单日期': lambda x: (pd.to_datetime('2019-12-31') - x.max()).days,  # 计算 R
  '用户名': lambda x: len(x),  # 计算 F
  '订单金额': lambda x: x.sum()  # 计算 M
})
#重命名列
df_rfm.rename(columns={
     '订单日期': 'R', '用户名': 'F', '订单金额': 'M'}, inplace=True)

#检查
#print(df_rfm)
#df_rfm.describe()

#打分规则
def r_score(x):
  if x <= 29:
    return 4
  elif x <= 58:
    return 3
  elif x <= 119:
    return 2
  else:
    return 1

def f_score(x):
  if x <= 1:
    return 1
  elif x <=2:
    return 2
  elif x <= 3:
    return 3
  else:
    return 4

def m_score(x):
  if x <= 204:
    return 1
  elif x <= 606:
    return 2
  elif x <= 1334:
    return 3
  else:
    return 4

df_rfm['r_score'] = df_rfm['R'].apply(r_score)
df_rfm['f_score'] = df_rfm['F'].apply(f_score)
df_rfm['m_score'] = df_rfm['M'].apply(m_score)

#print(df_rfm.head())

#简化结果
df_rfm['R高低'] = df_rfm['r_score'].apply(lambda x: '高' if x > df_rfm['r_score'].mean() else '低')
df_rfm['F高低'] = df_rfm['f_score'].apply(lambda x: '高' if x > df_rfm['f_score'].mean() else '低')
df_rfm['M高低'] = df_rfm['m_score'].apply(lambda x: '高' if x > df_rfm['m_score'].mean() else '低')

df_rfm['RFM'] = df_rfm['R高低'] + df_rfm['F高低'] + df_rfm['M高低']

def rfm_type(x):
  if x == '高高高':
    return '重要价值用户'
  elif x == '低高高':
    return '重要唤回用户'
  elif x == '高低高':
    return '重要深耕用户'
  elif x == '低低高':
    return '重要挽留用户'
  elif x == '高高低':
    return '潜力用户'
  elif x == '高低低':
    return '新用户'
  elif x == '低高低':
    return '一般维持用户'
  elif x == '低低低':
    return '流失用户'

df_rfm['用户类型'] = df_rfm['RFM'].apply(rfm_type)

#结果分析
df_rfm['用户类型'].value_counts() #value_counts() 方法会对一列数据中每个数据出现的次数进行统计
df_count = df_rfm['用户类型'].value_counts().reset_index()
df_count.rename(columns={
     'index': '用户类型', '用户类型': '人数'}, inplace=True)

df_count['占比'] = df_count['人数'] / df_count['人数'].sum()  # 人数/总人数