本文實例講述了Python pandas RFM模型應用。分享給大家供大家參考，具體如下：

成都創(chuàng)新互聯(lián)公司是一家集網(wǎng)站建設(shè),滎經(jīng)企業(yè)網(wǎng)站建設(shè),滎經(jīng)品牌網(wǎng)站建設(shè),網(wǎng)站定制,滎經(jīng)網(wǎng)站建設(shè)報價,網(wǎng)絡(luò)營銷,網(wǎng)絡(luò)優(yōu)化,滎經(jīng)網(wǎng)站推廣為一體的創(chuàng)新建站企業(yè)，幫助傳統(tǒng)企業(yè)提升企業(yè)形象加強企業(yè)競爭力。可充分滿足這一群體相比中小企業(yè)更為豐富、高端、多元的互聯(lián)網(wǎng)需求。同時我們時刻保持專業(yè)、時尚、前沿，時刻以成就客戶成長自我，堅持不斷學習、思考、沉淀、凈化自己，讓我們?yōu)楦嗟钠髽I(yè)打造出實用型網(wǎng)站。什么是RFM模型

根據(jù)美國數(shù)據(jù)庫營銷研究所Arthur Hughes的研究，客戶數(shù)據(jù)庫中有3個神奇的要素，這3個要素構(gòu)成了數(shù)據(jù)分析最好的指標：

• 最近一次消費 (Recency): 客戶最近一次交易時間的間隔。R值越大，表示客戶交易距今越久，反之則越近；
• 消費頻率 (Frequency): 客戶在最近一段時間內(nèi)交易的次數(shù)。F值越大，表示客戶交易越頻繁，反之則不夠活躍；
• 消費金額 (Monetary): 客戶在最近一段時間內(nèi)交易的金額。M值越大，表示客戶價值越高，反之則越低。

RFM實踐應用 1、前提假設(shè)驗證

RFM模型的應用是有前提假設(shè)的，即R、F、M值越大價值越大，客戶未來的為企業(yè)帶來的價值越大。這個前提假

設(shè)其實已經(jīng)經(jīng)過大量的研究和實證，假設(shè)是成立的。不過為了更加嚴謹，確保RFM模型對于特殊案例是有效的，

本文還進行了前提假設(shè)驗證：

ps：Frequency、Monetary均為近6個月內(nèi)的數(shù)據(jù)，即1-6月數(shù)據(jù)；

利用相關(guān)性檢驗，驗證假設(shè)：

• 最近購買產(chǎn)品的用戶更容易產(chǎn)生下一次消費行為
• 消費頻次高的用戶，用戶滿意度高，忠誠度高，更容易產(chǎn)生下一次消費行為
• 消費金額高的用戶更容易帶來高消費行為

2、RFM分級

簡單的做法，RFM三個指標以均值來劃分，高于均值的為高價值、低于均值的為低價值，如此可以將客戶劃分為8大類：

本文采取的方法是將三個指標進行標準化，然后按照分為數(shù)劃分為5個等級，數(shù)值越大代表價值越高；當然最終劃分的規(guī)則還是要結(jié)合業(yè)務(wù)來定。劃分為5個等級后，客戶可以細分為125種。

#讀取數(shù)據(jù)
rfm<-read.csv('~/desktop/rfm1_7.csv',header=TRUE)
summary(rfm)
#數(shù)據(jù)分布
par(mfrow=c(1,3))
boxplot(rfm$rankR1) 
boxplot(rfm$rankF1) 
boxplot(rfm$rankM1)
#rfm分級
breaks1<-quantile(rfm$Recency, probs = seq(0, 1, 0.2),names = FALSE)
breaks1<-c(1,14,30,57，111,181) #以流失用戶的定義來設(shè)置分級 30天以上為流失用戶
breaks2<-quantile(rfm$Frequency, probs = seq(0, 1, 0.2),names = FALSE)
breaks2<-c(1,2,3,6,14,164) 
breaks3<-quantile(rfm$Monetary, probs = seq(0, 1, 0.2),names = FALSE)
rfm$rankR1<- cut(rfm$Recency,breaks1, 5,labels=F)
rfm$rankR1<- 6-rfm$rankR1
rfm$rankF1<- cut(rfm$Frequency,breaks2, 5,labels=F)
rfm$rankM1<- cut(rfm$Monetary,breaks3, 5,labels=F)

當前文章：PythonpandasRFM模型應用實例詳解-創(chuàng)新互聯(lián)
網(wǎng)站網(wǎng)址：http://weahome.cn/article/cegpoh.html