如何用Python进行RFM分析

RFM分析，是根据客户活跃程度和交易金额贡献，进行客户价值细分的一种客户细分方法。RFM分析，主要由三个指标组成，分别为R（Recency）近度、F（Frequency）频度、M（Monetary）额度组成。

• R表示近度（Recency）：也就是客户最近一次交易时间到如今的间隔，注意，R是最近一次交易时间到如今的间隔，而不是最近一次的交易时间，R越大，表示客户越久未发生交易，R越小，表示客户越近有交易发生。
• F表示频度（Frequency）：也就是客户在最近一段时间内交易的次数，F越大，表示客户交易越频繁，F越小，表示客户不够活跃。
• M表示额度（Monetary）：也就是客户在最近一段时间内交易的金额，M越大，表示客户价值越高，M越小，表示客户价值越低。

下面是一张经典RFM客户细分模型图，以下图所示。

R分值、F分值和M分值三个指标构成了一个三维立方图，在各自维度上，根据得分值又能够分为高和低两个分类，最终三个指标，每一个指标分为高低两类，两两组合，就细分为八大客户群体。
例如R分值高，F分值高，M分值高的客户为重要价值客户，R、F、M三个分值都低的客户为潜在客户，其余类型客户以此类推动行解读便可。

RFM分析步骤以下图所示。

STEP01 数据准备

下面经过一个案例学习RFM分析的使用，首先将数据导入到data变量，代码以下：

import pandas
data = pandas.read_csv(
    'D:/RFM分析.csv',
    engine='python')

---

长按识别下方二维码，关注公众号
回复“RFM”获取案例数据

执行代码，便可获得data数据框，以下图所示。

能够看到，第一列为订单ID，第二列为客户ID，第三列为交易日期，第四列为交易金额。这个数据格式，也是RFM分析要求的基本数据格式。
根据交易日期，计算出交易日期距离指定日期的间隔天数，代码以下：

# 将交易日期处理为日期数据类型
data['DealDateTime'] = pandas.to_datetime(
    data.DealDateTime,
    format='%Y/%m/%d'
)
# 假设2015-10-1是计算当天，求交易日期至计算当天的距离天数
data['Days'] = pandas.to_datetime('2015-10-1') - data['DealDateTime']
# 从时间距离中获取天数
data['Days'] = data['Days'].dt.days

执行代码，便可获得交易日期距离指定日期的天数，以下图所示。

STEP02 计算R、F、M

数据准备好后，接下来就能够计算每一个客户的最近消费距离R、消费频率F以及消费总额M，计算方法以下：

• 最近消费距离R：使用CustomerID做为分组列，距离指定日期间隔天数Days做为统计列，统计函数使用最小值函数min，便可获得每一个客户的最近消费距离R。
• 消费频率F：使用CustomerID做为分组列，OrderID做为统计列，统计函数使用计数函数count。
• 消费总额M：使用CustomerID做为分组列，订单金额Sales做为统计列，统计函数使用求和函数sum。
  代码以下：

# 统计每一个客户距离指定日期有多久没有消费了，即找出最小的最近消费距离
R = data.groupby(
    by=['CustomerID'],
    as_index=False
)['Days'].agg('min')
# 统计每一个客户交易的总次数，即对订单ID计数
F = data.groupby(
    by=['CustomerID'],
    as_index=False
)['OrderID'].agg('count')
# 统计每一个客户交易的总额，即对每次的交易金额求和
M = data.groupby(
    by=['CustomerID'],
    as_index=False
)['Sales'].agg('sum')

执行代码，获得的结果以下图所示。

接下来使用merge方法，将R、F、M三个数据框关联起来，由于它们拥有共同的列名CustomerID，而且CustomerID就是链接条件，在这种状况下，on参数能够省略不写，代码以下：

# 将R、F、M三个数据框关联，merge默认内链接，可省略，两表on条件的关联列名均为CustomerID，一样可省略
RFMData = R.merge(F).merge(M)
# 修改列名
RFMData.columns = ['CustomerID', 'R', 'F', 'M']

执行代码，获得的结果以下图所示。

STEP03 将R、F、M分组打分赋值

各个客户的R、F、M数据计算好后，接下来就能够对R、F、M这三个列进行分组打分赋值获得对应的R分值、F分值、M分值。
分组标准能够按照平均值、业务经验等标准进行划分。若是没有特别的标准，一般采用平均值进行划分。
本例将R、F、M三列分别按照各自的平均值划分为2个组，并赋值1分、2分。

• R分值（R_S）：定义为距离指定日期越近，R_S越大，R>=平均值，R_S为1，R<平均值，R_S为2。
• F分值（F_S）：定义为交易频率越高，F_S越大，F<=平均值，F_S为1，F>平均值，F_S为2。
• M分值（M_S）：定义为交易金额越高，M_S越大，M<=平均值，M_S为1，M>平均值，M_S为2。
  在Python中，可使用数据框的loc属性将符合条件的数据行进行打分赋值，代码以下：

# 判断R列是否大于等于R列的平均值，使用loc将符合条件R_S列的值赋值为1
RFMData.loc[RFMData['R'] >= RFMData.R.mean(), 'R_S'] = 1
# 判断R列是否小于R列的平均值，使用loc将符合条件R_S列的值赋值为2
RFMData.loc[RFMData['R'] < RFMData.R.mean(), 'R_S'] = 2
#同R_S赋值方法，对F_S、M_S进行赋值，但与R相反，F、M均为越大越好
RFMData.loc[RFMData['F'] <= RFMData.F.mean(), 'F_S'] = 1
RFMData.loc[RFMData['F'] > RFMData.F.mean(), 'F_S'] = 2
RFMData.loc[RFMData['M'] <= RFMData.M.mean(), 'M_S'] = 1
RFMData.loc[RFMData['M'] > RFMData.M.mean(), 'M_S'] = 2

执行代码，R_S、F_S、M_S的分组分值就计算出来了，以下图所示。

STEP04 计算RFM综合分值

获得R_S、F_S、M_S的分组分值后，接下来就能够计算RFM综合分值。RFM综合分值计算公式以下所示。

RFM = 100╳R_S + 10╳F_S + 1╳M_S

为何设置R_S的权重为100，F_S的权重为10，M_S的权重为1呢？
这样设置至关分别为百位、十位、个位的组合，以确保RFM综合分值顺序与RFM客户细分模型的分类顺序一致。
RFM综合分值计算的代码以下：

计算RFM综合分值

RFMData['RFM'] = 100*RFMData.R_S+10*RFMData.F_S+1*RFMData.M_S

执行代码，获得的RFM综合分值以下图所示。

STEP05 客户分类

接下来根据RFM客户细分模型，将客户细分为八种不一样的类型。本例采用与RFM综合分值客户类型的对应关系表匹配合并的方式实现客户分类。
首先将各个RFM综合分值与客户类型的对应关系定义为一个数据框。
而后再使用merge中的内链接inner方法，将RFMData数据框与刚定义的RFM综合分值客户类型的对应关系表，根据关联列名RFM匹配合并为一个数据框，这样就完成了客户分类的操做，代码以下：

# 定义RFM综合分值与客户类型的对应关系表
CustomerType = pandas.DataFrame(
    data={
        'RFM': [111,112,121,122,211,212,221,222]
        'Type': ['潜在客户','重点挽留客户','通常保持客户','重点保持客户',
         '通常发展客户','重点发展客户','通常价值客户','高价值客户']
    }
)
# 将RFMData与RFM综合分值客户类型的对应关系表合并为一个数据框
# merge默认内链接，可省略，两表on条件的关联列名均为RFM，一样可省略
RFMData = RFMData.merge(CustomerType)

执行代码，获得的数据以下图所示。

能够看到，最后一列数据，就是对每一个客户细分的客户类型。
最后，咱们来看看，每一个类别的客户数是多少，代码以下：

# 按RFM、Type进行分组统计客户数
RFMData.groupby(
    by=['RFM','Type'] 
)['CustomerID'].agg('count')

执行代码，就能够获得各个客户类型的客户数了。

后续就能够对不一样的客户群体，有针对性地采起相应运营策略进行推广、管理，进而提高客户价值和营收水平。

长按识别下方二维码，并关注公众号