用Python实现RFM模型——互联网产品用户分层必备…
2019-08-09 05:50:07来源:爱运营 阅读 ()
1.前言
RFM模型即”R”——Recency(最近一次消费时间)、”F”——Frequency(一段时间内消费频次)、”M”——(一段时间内消费总额)。这三个指标可以将我们的用户划分成不同的等级和层次,目的是为了衡量他们的用户价值,从而能够更准确地将成本和精力花在更精确的用户层次身上。一个典型的例子就是针对一个明显无意愿的流失用户,对其继续push自己的核心产品,费时费力也费钱。
2.如何用Python建立RFM模型
RFM模型,虽然字眼中带着“模型”二字,但实际它根本不需要任何的算法支撑,和数据建模中的逻辑回归,聚类分析等是完全不同的概念。因而实现RFM的工具和方法有很多:SQL, Excel, R等等都能够做到,当然Python也不例外,RFM模型的核心就是将三个指标进行标签化,然后根据实际场景业务需求进行分层即可。下面的文章我就通过一个简单的例子来通过代码实现RFM模型的建立。
2.1数据导入
链接:https://pan.baidu.com/s/1YbZrdsg2dOoe_5lylTwhQw 提取码:nf2f 数据是某电商的一款SKU于2018年的销售表单,字段本身只有4个,但是足够建立RFM模型了。
import os import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt %matplotlib inline plt.rcParams['font.serif'] = ['SimHei'] plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus']=False sns.set_style('ticks', {'font.sans-serif':['simhei','Droid Sans Fallback']})
2.2 数据清洗
df = pd.read_csv('sale.csv') df.drop_duplicates(subset=['ORDERID'],keep='first',inplace=True) df.dtypes
可以看到我们各个字段的数据类型,注意到其中的ORDERDATE是字符串类型,而不是时间Datetime类型,这个需要在后面进行转换。其它字段都正常。
df[df.isna().values == True] df = df.dropna(how='any', axis=0)
可以看到上面有些数据出现了空值,由于空值无法计算出RFM,所以直接删除。
plt.figure(figsize=(10,5)) sns.distplot(df.AMOUNTINFO)
通过直方图我们可以很清晰地看到数据的整体分布情况,呈现偏态分布,不过没有负值,因此不需要处理异常值,>0的值都是合理的。
df['ORDERDATE'] = pd.to_datetime(df['ORDERDATE']) df['Datediff'] = (pd.to_datetime('today') - df['ORDERDATE']).dt.days df
数据的最后处理,就是将ORDERDATE转换成Datetime时间类型,并添加一列时间差,作为”R”的计算指标。
2.3数据分析
R_Agg = df.groupby(by=['USERID'])['Datediff'] R_Agg = R_Agg.agg([('最近一次消费','min')]) F_Agg = df.groupby(by=['USERID'])['ORDERID'] F_Agg = F_Agg.agg([('2018年消费频次','count')]) M_Agg = df.groupby(by=['USERID'])['AMOUNTINFO'] M_Agg = M_Agg.agg([('2018年消费金额',sum)]) rfm = R_Agg.join(F_Agg).join(M_Agg) rfm
上面的步骤是分别计算了RFM模型中的三个指标: R,F,M,将其合并成一张新表,如下图:
然后就是最关键的一步了,通过pd.cut方法,将用户分层并打上标签,这里我用的分层方法是python中的quantile函数,因为我们之前的直方图看到是偏态分布,所以取均值来分层的误差会很大,这时候选择分位数来分层会更好。
def rfm_convert(x): rfm_dict = {0:'R', 2:'M'} try: for i in range(0,3,2): bins = x.iloc[:,i].quantile(q=np.linspace(0,1,num=6),interpolation='nearest') if i == 0: labels = np.arange(5,0,-1) else: labels = np.arange(1,6) x[rfm_dict[i]] = pd.cut(x.iloc[:,i],bins=bins,labels=labels,include_lowest=True) except Exception as e: print(e) rfm_convert(rfm)
上面这个函数的目的是将R和M按照1-5的等级打上标签,给用户分层,但由于F的数值大多集中在1,即消费频次只有1次,所以无法使用分位数方法来均分出5个等级,因此我下面额外再使用其它方式将其打上标签:
bins = [1,3,5,12] labels = np.arange(1,4) rfm['F'] = pd.cut(rfm['2018年消费频次'], bins=bins, labels=labels, include_lowest=True) rfm.insert(4,'F',rfm.pop('F')) rfm
F的分层是由我手动区分的,由于RFM模型本身就是根据不同场景和业务需求来建立的,因此这里的F我就根据数据的实际分布情况来手动分层了。
好,那么至此RFM模型已经有了个雏形,最后要做的,就是打上标签:
rfm_model = rfm.filter(items=['R','F','M']) def rfm(x): return x.iloc[0]*3+x.iloc[1]+x.iloc[2]*3 rfm_model['RFM'] = rfm_model.apply(rfm,axis=1) bins = rfm_model.RFM.quantile(q=np.linspace(0,1,num=9),interpolation='nearest') labels = ['流失客户','一般维持客户','新客户','潜力客户','重要挽留客户','重要深耕客户','重要唤回客户','重要价值客户'] rfm_model['Label of Customer'] = pd.cut(rfm_model.RFM, bins=bins, labels=labels, include_lowest=True) rfm_model
这里的RFM分数根据具体场景和业务来分配权重,这里我给的权重比是3:1:3,,那么其实也可以不要这个加权分数,完全根据单独的R,F,M来标签,比如R>=4、F>1、M>=4的,算核心用户。
4.数据可视化
以上就是RFM模型了,那么有了模型之后,我们就能直观地看到各个层级下的用户分布以及用户价值了:
from pyecharts.charts import Grid, Pie, Bar from pyecharts import options as opts tmp = rfm_model.groupby('Label of Customer').size() t = [list(z) for z in zip(tmp.index.values, tmp.values)] # 绘制饼图 pie = ( Pie() .add('',t, radius=['30%','75%'], rosetype='radius', label_opts=opts.LabelOpts(is_show=True)) .set_global_opts(title_opts=opts.TitleOpts(title='消费者分层结构',pos_left='center'), toolbox_opts=opts.ToolboxOpts(is_show=True), legend_opts=opts.LegendOpts(orient='vertical',pos_right='2%',pos_top='30%')) .set_series_opts(label_opts=opts.LabelOpts(formatter='{b}:{d}%'))) pie.render_notebook()
可以看到无价值的流失客户占据了很大一部分,但是同时我们也要关注到,新客户的占比量是相当大的,不过,单纯看占比是没有意义的,因为我们最终的目的是盈利,因此下面我们再结合消费金额分布情况,来看下我们实际应该针对哪些层级的用户进行精准投放:
consumer_r = df.groupby('USERID').AMOUNTINFO.agg([('消费总额',sum)]) new_rfm = rfm_model.join(consumer_r) filter_list = ['流失客户','新客户','重要挽留客户','重要价值客户'] new_rfm = new_rfm[new_rfm['Label of Customer'].astype('<U').isin(filter_list)] new_rfm['Label of Customer'] = new_rfm['Label of Customer'].astype('<U') tmp = new_rfm.groupby('Label of Customer').消费总额.sum() tmp = tmp.sort_values() from pyecharts.charts import Bar yindex = [] for i in list(tmp.values): yindex.append(int(i)) # 绘制柱状图 bar = (Bar(init_opts=opts.InitOpts(theme='white',bg_color='papayawhip')) .add_xaxis(list(tmp.index.values)) .add_yaxis('消费者分层',yindex,color='lightcoral', category_gap='70%') .set_global_opts(title_opts=opts.TitleOpts(title='不同分层消费者2018年消费总额',pos_left='center',title_textstyle_opts=opts.TextStyleOpts(color='lightcoral')), legend_opts=opts.LegendOpts(pos_top='bottom'), toolbox_opts=opts.ToolboxOpts(is_show=True), yaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(formatter='{value}'))) ) bar.render_notebook()
结合上面的饼图,我们可以最终得出结论,虽然新客户的人群占比是最大的,但是他们实际贡献的金额并不高,所以我们没有必要在拉新这一块花费太多心思和精力,而应该着重将运营的重心放在“留存”和“变现”上,如何留住核心收入来源的“重要价值用户”以及通过用户触达的各种方法,召回“重要挽留客户”,是现阶段的任务。
5.总结
通过上面的RFM模型建立和可视化,我们其实能够发现,通过对用户的精准分层,我们能够对用户价值有个更直观的感受,从而对互联网产品的运营,起到点对点服务的作用。
原文链接:https://www.iyunying.org/yunying/yhyy/170247.html
如有疑问请与原作者联系
标签:
版权申明:本站文章部分自网络,如有侵权,请联系:west999com@outlook.com
特别注意:本站所有转载文章言论不代表本站观点,本站所提供的摄影照片,插画,设计作品,如需使用,请与原作者联系,版权归原作者所有
上一篇:《好好学习》个人知识管理精进指南
下一篇:积分层级体系
- 会员体系思考到实现 2020-11-19
- 7个Python特殊技巧,助力你的数据分析工作之路 2019-10-30
- 7个Python特殊技巧,助力你的数据分析工作之路 2019-10-29
- 用案例让你一文搞懂python网络爬虫 2019-09-04
- 两款插件快速实现,wordpress全站开启https 2019-04-10
IDC资讯: 主机资讯 注册资讯 托管资讯 vps资讯 网站建设
网站运营: 建站经验 策划盈利 搜索优化 网站推广 免费资源
网络编程: Asp.Net编程 Asp编程 Php编程 Xml编程 Access Mssql Mysql 其它
服务器技术: Web服务器 Ftp服务器 Mail服务器 Dns服务器 安全防护
软件技巧: 其它软件 Word Excel Powerpoint Ghost Vista QQ空间 QQ FlashGet 迅雷
网页制作: FrontPages Dreamweaver Javascript css photoshop fireworks Flash