系列文章目录

基于python的RFM模型分析

前言

提示：以下是本篇文章正文内容，下面案例可供参考

一、RFM是什么？

关于RFM是什么，这里用一个脑图简单的阐述一下，特别注意一点是规定周期下，这个周期可以基于我们的业务常识或者基于程序去定义，在我看来这个周期可以是个变量，如果后期进行机器学习，我们可以回测这个变量值以判定周期的跨度为多少更为合适。

注意:基于第一性原理原则，这里的数据清洗将不再阐述，呈现的数据将是数据清洗过后的数据，目标是快速掌握RFM的具体含义。

二、分析步骤

1.引入库

代码如下（示例）：

import datetime as dt
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np 
import pandas as pd

2.读入数据

代码如下（示例）：

df =pd.read_csv(./Online Retail.csv)
print(df .head(3))

数据结构：这里用excel呈现可视化效果更好 计算表的Monery值，以及其时间跨度（方便计算R值）

#创建新的列，用来存储每个用户的Monetary Value
df[TotalSum] = df[UnitPrice]* df[Quantity]

#查看整个表的时间跨度
print(Min Invoice Date:,df.InvoiceDate.dt.date.min(),max Invoice Date:,
       df.InvoiceDate.dt.date.max())

df.head(3)

这里我们会采用2011-12-10作为分析的当天（数据采集 是昨天，那么分析的日期就是当天（数仓里T+1原理））

snapshot_date = df[InvoiceDate].max() + dt.timedelta(days=1)
snapshot_date

接下来，进行RFM的计算。

# 计算RFM矩阵
rfm = df.groupby([CustomerID]).agg({
          
   InvoiceDate: lambda x : (snapshot_date - x.max()).days,
                                      InvoiceNo:count,TotalSum: sum})
# R 计算每个用户的 分析的当天（2011-12-10）-购买时最大的购买时间 

#重命名
rfm.rename(columns={
          
   InvoiceDate:Recency,InvoiceNo:Frequency,TotalSum:MonetaryValue}
           ,inplace= True)

rfm.head()

产品分析： 关于R值，用户如果最近越近的时间买我们的产品，那么他是最值得我们运营的，同样，频率越高，以及购买价值越大也越值得我们运营，我们将这三点进行降维，R值涉及时间分析，F/M则涉及空间分析，即本质我们依旧是对时空产生的现象进行分析以发现事物的本质。

# 创建RFM切片
r_labels =range(4,0,-1)
f_labels=range(1,5)
m_labels=range(1,5)
r_quartiles = pd.qcut(rfm[Recency], q=4, labels = r_labels)
f_quartiles = pd.qcut(rfm[Frequency],q=4, labels = f_labels)
m_quartiles = pd.qcut(rfm[MonetaryValue],q=4,labels = m_labels)
rfm = rfm.assign(R=r_quartiles,F=f_quartiles,M=m_quartiles)

# 创建RFM切片以及评分score
def add_rfm(x) : return str(x[R]) + str(x[F]) + str(x[M])
rfm[RFM_Segment] = rfm.apply(add_rfm,axis=1 )
rfm[RFM_Score] = rfm[[R,F,M]].sum(axis=1)

rfm.head()

总结