大家早上好，本人姓吳，如果覺得文章寫得還行的話也可以叫我吳老師。歡迎大家跟我一起走進數據分析的世界，一起學習！

感興趣的朋友可以關注我或者我的數據分析專欄，里面有許多優質的文章跟大家分享哦。

（有需要完整代碼和數據的可以評論留下你的郵箱，我會盡快發送給你！）

---

今日份學習分享，請查收！

目錄

• 必須要看的前言
• 一、什么是RFM模型？
• • R值：Recency, 最近一次消費
  • F值：Frequency, 消費頻率
  • M值：Monetary, 消費金額
• 二、實踐應用有哪些？
• • 基于RFM模型進行客戶細分
  • 通過RFM模型評分后輸出目標用戶
  • 基于RFM的常用策略
  • 補充
• 三、kaggle項目實戰講解
• • 1 數據探索與數據清洗
  • • 1.1 數據探索
    • 1.2 缺失值統計
    • 1.3 日期格式的轉換
    • 1.4 去重
    • 1.5 異常值處理
  • 2 用戶分類
  • 3 分類結果
  • 4 結論與建議
• 結束語

必須要看的前言

RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段。在眾多的客戶關系管理(CRM)的分析模式中，RFM模型是被廣泛提到的。

所以RFM模型是數據分析師必須掌握的知識點，而本篇文章詳細介紹RFM模型的同時，還附帶了kaggle項目實戰，收藏本篇文章，你還怕搞不懂RFM模型，不懂怎么對用戶進行分類嗎？

一、什么是RFM模型？

RFM模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢3項指標來描述該客戶的價值狀況。

R值：Recency, 最近一次消費

• 最近一次消費指的是上一次購買距離當前的時間。比方說最近一次買車什么時候，上一次買唱片是幾時。

理論上，上一次消費時間越近的顧客應該是比較好的顧客，對提供即時的商品或是服務也最有可能會有反應。營銷人員若想業績有所成長，只能靠偷取競爭對手的市場占有率，而如果要密切地注意消費者的購買行為，那么最近的一次消費就是營銷人員第一個要利用的工具。

功能：R值的功能不僅在于提供的促銷信息而已，營銷人員的消費報告可以監督事業的健全度。優秀的營銷人員會定期查看消費分析，以掌握趨勢。月報告如果顯示上一次購買很近的客戶，(消費為1個月)人數如增加，則表示該公司是個穩健成長的公司；反之，如上一次消費為一個月的客戶越來越少，則是該公司邁向不健全之路的征兆。

F值：Frequency, 消費頻率

• 消費頻率是顧客在限定的期間內所購買的次數。我們可以說最常購買的顧客，往往也是滿意度最高的顧客。增加顧客購買的次數意味著從競爭對手處偷取市場占有率，由別人的手中賺取營業額。

基于這個指標，我們可以把客戶分為五等分：如購買一次的客戶為新客戶，購買兩次的客戶為潛力客戶，購買三次的客戶為老客戶，購買四次的客戶為成熟客戶，購買五次及以上則為忠實客戶。運營人員的目標是要讓消費者不斷升級。

注意：不同類型的商品的消費頻率往往有著較大的差距，如婚禮類產品和零食類產品，前者往往也就購買一次差不多得了（多了社會就亂套了哈哈），后者屬于易耗品，消耗評論搞，相對容易產生重復購買，所以說F值不適合用作跨類目比較。

M值：Monetary, 消費金額

• 消費金額同消費頻率一樣，有限定的時間范圍，指的是一段時間（通常是1年）內的消費金額。它同時也能驗證帕累托法則（俗稱二八法則），即80%的收入來自于20%的客戶。

M值是RFM模型中相對于R值和F值最難使用，但最具有價值的指標。同一品牌美妝類，價格浮動范圍基本在某個特定消費群的可接受范圍內，加上單一品類購買頻次不高，所以對于一般店鋪而言，M值對客戶細分的作用相對較弱。

二、實踐應用有哪些？

基于RFM模型進行客戶細分

CRM實操時可以選擇RFM模型中的1-3個指標進行客戶細分，如下表所示。切記細分指標需要在自己可操控的合理范圍內，并非越多越好，一旦用戶細分群組過多，一來會給自己的營銷方案執行帶來較大的難度，而來可能會遺漏用戶群或者對同個用戶造成多次打擾。

如何選擇最終指標有兩個參考標準：店鋪的客戶基數，店鋪的商品和客戶結構。

店鋪的客戶基數：在店鋪自身客戶數量不大的情況下，選擇1-2個維度進行細分即可；反之可以選擇2-3個指標進行用戶用類。

店鋪的商品和客戶結構：如果在店鋪的商品層次比較單一，客單價差異幅度不大的情況下，購買頻次（F值）和消費金額（M值）高度相關的情況下，可以只選擇比較容易操作的購買頻次（F值）代替消費金額（M值）。對于剛剛開店還沒形成客戶粘性的店鋪，則可以放棄購買頻次（F值），直接用最后一次消費（R值）或者消費金額（M值）。

通過RFM模型評分后輸出目標用戶

RFM模型評分主要有三個部分：

確定RFM三個指標的分段和每個分段的分值；

計算每個客戶RFM三個指標的得分；

計算每個客戶的總得分，并且根據總得分篩選出優質的客戶

還是以上圖為例。

此時我們將每個用戶在每個指標下所得的分數相加，就可得到最終的分數。

但這里需要注意的是，對于每個指標下所對應的每個分值不應像上圖一樣，應根據不同的店鋪進行進一步的賦值（聽其他網友說可以用AHP層次分析法，我暫時還沒有去了解）。
并且，相加時最好先給每個指標設一個權重，比方說最終的計算公式可以是：score = 0.5R+0.3F+0.2M。
具體的權重設置也可以參考上文提到的兩個參考標準。

基于RFM的常用策略

RFM非常適用于提供多種商品的企業，這些商品單價相對不高，或者相互間有互補性，具有多次重復購買的必要，這些企業可能提供如下商品：日用消費品、服裝、小家電等；RFM也適用于這類企業，它們既提供高價值耐用商品、同時又提供配套的零部件或維修服務，如下：精密機床、成套生產設備、打印機等；RFM對于商品批發、原材料貿易、以及一些服務業（如旅行、保險、運輸、快遞、娛樂等）的企業也很適用。

RFM可以用來提高客戶的交易次數。業界常用的DM(直接郵寄)，常常一次寄發成千上萬封郵購清單，其實這是很浪費錢的。根據統計(以一般郵購日用品而言)，如果將所有R(Recency)的客戶分為五級，最好的第五級回函率是第四級的三倍，因為這些客戶剛完成交易不久，所以會更注意同一公司的產品信息。如果用M(Monetary)來把客戶分為五級，最好與次好的平均回復率，幾乎沒有顯著差異。

有些人會用客戶絕對貢獻金額來分析客戶是否流失，但是絕對金額有時會曲解客戶行為。因為每個商品價格可能不同，對不同產品的促銷有不同的折扣，所以采用相對的分級(例如R、F、M都各分為五級)來比較消費者在級別區間的變動，則更可以顯現出相對行為。企業用R、F的變化，可以推測客戶消費的異動狀況，根據客戶流失的可能性，列出客戶，再從M（消費金額）的角度來分析，就可以把重點放在貢獻度高且流失機會也高的客戶上，重點拜訪或聯系，以最有效的方式挽回更多的商機。

補充

以上三個指標會將維度細分出4份，這樣就能夠細分出4x4x4=64類用戶，再根據每類用戶精準營銷……顯然64類用戶已超出普通人腦的計算范疇了，更別說針對64類用戶量體定制營銷策略。實際運用上，我們只需要把每個維度做一次兩分即可，這樣在3個維度上我們依然得到了8組用戶。

（編號次序RFM,1代表高，0代表低）
重要價值客戶（111）：最近消費時間近、消費頻次和消費金額都很高，必須是VIP啊！
重要保持客戶（011）：最近消費時間較遠，但消費頻次和金額都很高，說明這是個一段時間沒來的忠誠客戶，我們需要主動和他保持聯系。
重要發展客戶（101）：最近消費時間較近、消費金額高，但頻次不高，忠誠度不高，很有潛力的用戶，必須重點發展。
重要挽留客戶（001）：最近消費時間較遠、消費頻次不高，但消費金額高的用戶，可能是將要流失或者已經要流失的用戶，應當給予挽留措施。

三、kaggle項目實戰講解

項目來源：
https://www.kaggle.com/carrie1/ecommerce-data

項目簡介：
這是一個跨國數據集，其中包含在英國注冊的商店于2010年12月1日至2011年12月9日之間發生的所有在線零售交易。該公司主要銷售獨特的全天候禮品，許多客戶對象是批發商。

本次項目的主要目的是利用RFM模型進行用戶分類。

PS: 本次項目是在jupyter上運行的。

導入模塊

import pandas as pd import numpy as np import matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['SimHei'] # 設置漢字字體,優先使用黑體

加載數據

df = pd.read_csv('data.csv',encoding = 'ISO-8859-1', dtype = {'CustomerID':str})

接下來正式開始進行分析啦！

1 數據探索與數據清洗

1.1 數據探索

df.shape

df

數據包含541910行，8個字段，字段內容為：

InvoiceNo: 訂單編號，每筆交易有6個整數，退貨訂單編號開頭有字母’C’。
StockCode: 產品編號，由5個整數組成。
Description: 產品描述。
Quantity: 產品數量，有負號的表示退貨。
InvoiceDate: 訂單具體時間。
UnitPrice: 單價（英鎊），單位產品的價格。
CustomerID:客戶編號，每個客戶編號由5位數字組成。
Country: 國家的名稱，每個客戶所在國家/地區的名稱。

df.info()

我們不難發現，我們需要進行日期格式的轉換，以及常規的缺失值統計、去重以及異常值的檢測與處理。

1.2 缺失值統計

# 先統計缺失率 df.apply(lambda x :sum(x.isnull())/len(x),axis=0)

# Description是用于產品描述，與后續分析無關，刪去。 df.drop(['Description'],axis=1,inplace=True) df.head()

# 這里的CustomerID對于后續分析僅起到標識作用，不做刪除，可以用unknown填充。 df['CustomerID'] = df['CustomerID'].astype('str') df.info()

df['CustomerID'] = df['CustomerID'].fillna('unknown')

1.3 日期格式的轉換

df['date'] = [x.split(' ')[0] for x in df['InvoiceDate']] df['date'] = pd.to_datetime(df['date']) df['month'] = df['date'].astype('datetime64[M]') df[['date', 'month']]

1.4 去重

df = df.drop_duplicates() df.shape

1.5 異常值處理

在這里，我們把退貨訂單看做異常數據（即數量為負數或者貨單價為負數的數據）。

df[(df['Quantity']<0) | (df['UnitPrice']<0)]

# 除去異常數據 df = df[(df['Quantity']>0) & (df['UnitPrice']>0)] df[(df['Quantity']<0) | (df['UnitPrice']<0)]

2 用戶分類

# 首先計算R值 R_value = df.groupby('CustomerID')['date'].max() R_value = (df['date'].max() - R_value).dt.days # 這里將2011-12-9作為當前日期進行計算 R_value

# 將2010-12-1至2011-12-9視為F值的區間段，計算每個客戶所下單的數量 F_value = df.groupby('CustomerID')['InvoiceNo'].nunique() F_value

# 首先計算每個訂單的消費金額 df['amount'] = df['Quantity'] * df['UnitPrice'] # 再計算M值 M_value = df.groupby('CustomerID')['InvoiceNo'].nunique() M_value = df.groupby('CustomerID')['amount'].sum() M_value

R_value.describe()

R_value.hist(bins = 30)

M_value.describe()

M_value.hist(bins = 30)

M_value.plot.box()

可見非常不均。

M_value[M_value<2000].hist(bins = 30)

# 分位數 觀察出異常值還是很嚴重 F_value.quantile([0.1,0.2,0.3,0.4,0.5,0.9,1])

F_value.hist(bins = 30)

F_value.plot.box()

F_value[F_value<30].hist(bins = 30)

一樣是非常的不均。

# 每個指標下都分為五個等級 R_bins = [0,30,90,180,360,720] F_bins = [1,2,5,10,20,5000] M_bins = [0,500,2000,5000,10000,200000]

先是R值：

R_score = pd.cut(R_value,R_bins,labels=[5,4,3,2,1],right=False) R_score

接著是F值：

F_score = pd.cut(F_value,F_bins,labels=[1,2,3,4,5],right=False) F_score

最后是M值：

M_score = pd.cut(M_value,M_bins,labels=[1,2,3,4,5],right=False) M_score

生成新的數據框看一看：

rfm = pd.concat([R_score,F_score,M_score],axis=1) rfm.rename(columns={'date':'R_score','InvoiceNo':'F_score','amount':'M_score'},inplace=True) rfm

rfm.info()

改下數據格式：

rfm['R_score'] = rfm['R_score'].astype('float') rfm['F_score'] = rfm['F_score'].astype('float') rfm['M_score'] = rfm['M_score'].astype('float') rfm.describe()

按平均值在每個指標下劃分價值高低：

rfm['R'] = np.where(rfm['R_score']>3.82,'高','低') rfm['F'] = np.where(rfm['F_score']>2.03,'高','低') rfm['M'] = np.where(rfm['M_score']>1.89,'高','低') rfm

# 將三個指標結合 rfm['RFM']=rfm['R']+rfm['F']+rfm['M'] rfm

def rfm2grade(x):if x=='高高高':return '高價值客戶'elif x=='高低高':return '重點發展客戶'elif x=='低高高':return '重點保持客戶'elif x=='低低高':return '重點挽留客戶'elif x=='高高低':return '一般價值客戶'elif x=='高低低':return '一般發展客戶'elif x=='低高低':return '一般保持客戶'else:return '一般挽留客戶' rfm['用戶等級']=rfm['RFM'].apply(rfm2grade) rfm

3 分類結果

rfm['用戶等級'].value_counts()

rfm['用戶等級'].hist(figsize=(12,9))

# 分類占比 rfm['用戶等級'].value_counts() / rfm['用戶等級'].value_counts().sum()

rfm['用戶等級'].value_counts().plot(kind = 'pie', # 選擇圖形類型figsize = (15, 9),autopct='%.1f%%', # 餅圖中添加數值標簽title = 'RFM用戶分類', # 為餅圖添加標題textprops = {'fontsize':8},# 設置文本標簽的屬性值subplots=True) plt.legend(loc=2, bbox_to_anchor=(1.05,1.0),borderaxespad = 0.) # 添加注解

4 結論與建議

從用戶分類占比的結果來看，高價值客戶和重要發展客戶共占總數的47%，是公司收入的重要來源。

• 高價值客戶（111）
  RFM三個值都很高，要提供vip服務。

• 重點發展客戶（101）
  消費頻率低，但是其他兩個值很高，就要想辦法提高他的消費頻率，建議及時推送公司活動信息或新品相關信息來吸引客戶。

• 重點保持客戶（011）
  最近消費距離現在時間較遠，也就是F值低，但是消費頻次和消費金額高。這種用戶，是一段時間沒來的忠實客戶。應該主動和他保持聯系，提高復購率。可以贈送優惠券或推送商品折扣信息來增加購買次數。

• 重點挽留客戶（001）
  最近消費時間距離現在較遠、消費頻率低，但消費金額高。這種用戶，即將流失，要主動聯系用戶，調查清楚哪里出了問題，并想辦法挽回。當然同樣可以贈送優惠券或推送商品折扣信息來增加購買次數。

• 一般發展客戶（100）
  公司應獲取客戶的詳細數據信息用戶畫像， 從中了解客戶的消費屬性。建議對此類客戶進行精準營銷和及時推送產品信息。

當然，最終的營銷策略應基于公司自身的財政投入決定。

RFM也不可以用過頭，而造成高交易的客戶不斷收到信函。每一個企業應該設計一個客戶接觸頻率規則，如購買三天或一周內應該發出一個感謝的電話或Email，并主動關心消費者是否有使用方面的問題，一個月后發出使用是否滿意的詢問，而三個月后則提供交叉銷售的建議，并開始注意客戶的流失可能性，不斷地創造主動接觸客戶的機會。這樣一來，客戶再購買的機會也會大幅提高。

結束語

為方便需要的朋友運行代碼，我也把完整的代碼和數據文件放到了網盤上，需要的朋友自取。
鏈接：https://pan.baidu.com/s/1qzVvW2tFYquertL6jbWx8w
提取碼：1024

引用鳴謝：https://www.jianshu.com/p/4b60880f24e2

推薦關注的專欄

👨?👩?👦?👦 機器學習：分享機器學習實戰項目和常用模型講解
👨?👩?👦?👦 數據分析：分享數據分析實戰項目和常用技能整理


關注我，了解更多相關知識！

CSDN@報告，今天也有好好學習

總結

以上是生活随笔為你收集整理的概念+实战讲解，一文带你了解RFM模型【kaggle项目实战分享】数据分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。