首页  ·  知识 ·  大数据
Python结合RFM模型实现用户分层
Cherich_sun  简书  实践应用  编辑:52Hertz   图片来源:网络
通过分析发现原来几个重要的客户被竞争对手挖走了,而这几个用户对平台贡献了80%的销售额。之前对所有用户采用一样的运营策略,为了解决这个问题,需要对用户进行分类,了解当前用户分层情况,进行精

项目背景:某生鲜外卖APP于2018年1月1日成立,主营新鲜蔬菜瓜果,海鲜肉禽。APP上线后,市场推广期为一年。通过分析发现原来几个重要的客户被竞争对手挖走了,而这几个用户对平台贡献了80%的销售额。之前对所有用户采用一样的运营策略,为了解决这个问题,需要对用户进行分类,了解当前用户分层情况,进行精细化运营。


一、整体分析流程

1、分析目的: 用户分类
2、数据获取:Excel 数据
3、清洗加工:Excel、Python
4、建立模型: RFM
5、数据可视化:  柱形图、饼图
6、结论与建议

二、RFM 模型的理解

最终将 RFM 模型处理后的结果,作为用户标签,帮助运营更精准地制定活动规则以提升用户使用黏性,强化用户感知。最终实现的效果图如下:

三、利用 Python 实现RFM 用户分层

1、获取数据

import pandas as pddata = pd.read_excel('C:/Users/cherich/Desktop/用户信息.xlsx')data.head()


data.info()


说明:当前数据集是5000条用户数据,存在缺失值对本次分析不会造成影响。数据清洗,通常包括处理缺失值、重复值、转换数据类型三种。所以仅考虑数据类型即可。这里有个前提条件,R、F、M 应该有一个参照时间,如果活动持续到现在,可以截止到现在。但是我们的数据是历史数据,所以需要查找活动结束时间。


2、数据处理


#  活动结束时间  2019-06-30

data['最后一次成交']=data['最后一次成交'].astype('str')

stop_date = pd.to_datetime('2019-06-30')

datas = data.drop(columns=['注册时间','会员开通时间','会员类型','城市','区域','最后一次登陆'])

datas['最后一次成交时间'] = datas['最后一次成交'].apply(lambda x:x.split()[0])

datas['最后一次成交时间'] = pd.to_datetime(datas['最后一次成交时间'])

datas['R1'] = datas['最后一次成交时间'].apply(lambda x:stop_date-x)

datas['F1'] = datas['非会员累计购买次数']+datas['会员累计购买次数']

datas['M1'] = datas['非会员累计消费'] + datas['会员累计消费']

datas['R1']= datas['R1'].astype(str)

datas['R1']= datas['R1'].apply(lambda x:x.split()[0])

datas

说明:以上操作目的是将R指标由时间类型转换成可计算格式,为接下来建立模型,计算时间间隔做准备。

3、建立模型

建立模型,需要分别对F、R、M 分别计算各自的平均值。但是要注意三个指标数据存在极大值、极小值的情况,这对结果会产生一定的误差,所以解决方案是将其标准化,设置分段区间,5分制,5分为最高。(数值区间可根据具体业务灵活调整或者用四分位数)


def R_score(n):

    n = int(n)

    if 0<n<=80:

        r = 5

    elif 80<n<=160:

        r = 4

    elif 160<n<=240:

        r = 3

    elif 240<n<=320:

        r = 2

    else:

        r = 1

    return r

def F_score(n):

    n = int(n)

    if 0<n<=14:

        r = 1

    elif 14<n<=28:

        r = 2

    elif 28<n<=42:

        r = 3

    elif 42<n<=56:

        r = 4

    else:

        r = 5

    return r

def M_score(n):

    n = int(n)

    if 0<n<=1500:

        r = 1

    elif 1500<n<=3000:

        r = 2

    elif 3000<n<=4500:

        r = 3

    elif 4500<n<=6000:

        r = 4

    else:

        r = 5

    return r

datas['M1_score'] =datas['M1'].apply(M_score)

datas['F1_score'] =datas['F1'].apply(F_score)

datas['R1_score'] =datas['R1'].apply(R_score)

datas.head()

说明:这里对R、F、M 再求平均值,以平均值为标准,如果单个指标大于平均值,显示1,否则显示0。最终RFM的结果由0和1拼接组成,即可得出用户最终类型。

R_mean = datas['R1_score'].mean()

F_mean = datas['F1_score'].mean()

M_mean = datas['M1_score'].mean()




datas['R'] = datas['R1_score'].apply(lambda x: 1 if x> R_mean else 0)

datas['F'] = datas['F1_score'].apply(lambda x: 1 if x> F_mean else 0)

datas['M'] = datas['M1_score'].apply(lambda x: 1 if x> M_mean else 0)

datas


datas['RFM'] = datas['R'].apply(str)+datas['F'].apply(str)+datas['M'].apply(str)

datas

def user_tag(rfm):

    if rfm=='000':

        res = '流失用户'

    elif rfm=='010':

        res = '一般维持用户'

    elif rfm=='100':

        res = '新客户'

    elif rfm=='110':

        res = '潜力客户'

    elif rfm=='001':

        res = '重要挽留客户'

    elif rfm=='101':

        res = '重要深耕客户'

    elif rfm=='011':

        res = '重要唤回客户'

    else:

        res = '重要价值客户'

    return res

datas['user_tag']=datas['RFM'].apply(user_tag)

datas


4、数据可视化

import matplotlib.pyplot as plt

import seaborn as sns

import matplotlib as mpl

sns.set(font='SimHei',style='darkgrid')


user_tag = datas.groupby(datas['user_tag']).size()

plt.figure(figsize = (10,4),dpi=80)

user_tag.sort_values(ascending=True,inplace=True)

plt.title(label='生鲜平台用户分层对比',

         fontsize=22, color='white',

         backgroundcolor='#334f65', pad=20)

s = plt.barh(user_tag.index,user_tag.values , height=0.8, color=plt.cm.coolwarm_r(np.linspace(0,1,len(user_tag))))

for rect in s:

    width = rect.get_width()

    plt.text(width+40,rect.get_y() + rect.get_height()/2, str(width),ha= 'center')

plt.grid(axis='y')

plt.show()


groups_b = datas.groupby(by='user_tag').size()

plt.figure(figsize = (10,6),dpi=80)

plt.title(label='生鲜平台用户分层占比',

         fontsize=22, color='white',

         backgroundcolor='#334f65', pad=20)

explodes = [0.6, 0, 0, 0, 0,0,0.4,0.8]

patches, l_text, p_text = plt.pie(groups_b.values,labels = groups_b.index, shadow=True,colors=plt.cm.coolwarm_r(np.linspace(0,1,len(groups_b))), autopct='%.2f%%', explode=explodes,startangle=370)

plt.legend(ins,bbox_to_anchor=(2, 1.0))

plt.show()


5、结论与建议

以上基本完成了RFM模型实现用户分层,可以看出新客户占比30%左右,重要价值客户占比30%左右。两者是平台的最主要用户类型。接下来就需要结合具体业务来制定运营策略。最后分享的是,现在我们看到最多的招聘需求是具备分析思维。那什么是分析思维。我的理解是,首先要理解业务,其次要掌握分析方法,要明确分析方法存在的意义是帮助我们将零散业务问题归类,归类的过程形成分析思路,有了分析思路,那你就具备了分析思维。好了,就写到这里。



本文作者:Cherich_sun 来源:简书
CIO之家 www.ciozj.com 微信公众号:imciow
   
免责声明:本站转载此文章旨在分享信息,不代表对其内容的完全认同。文章来源已尽可能注明,若涉及版权问题,请及时与我们联系,我们将积极配合处理。同时,我们无法对文章内容的真实性、准确性及完整性进行完全保证,对于因文章内容而产生的任何后果,本账号不承担法律责任。转载仅出于传播目的,读者应自行对内容进行核实与判断。请谨慎参考文章信息,一切责任由读者自行承担。
延伸阅读