在商業(yè)分析中，我們經(jīng)常會(huì)遇到以下問題：

不知道如何進(jìn)行用戶行為分析，對(duì)用戶進(jìn)行分類?

不知道哪些是重要價(jià)值客戶，他們能帶來什么，應(yīng)該如何維護(hù)?

這時(shí)候就需要用到用戶行為分析模型也就是我們通常所說的RFM模型了。小編今天就給大家分享一下RFM模型的構(gòu)建以及應(yīng)用，希望對(duì)大家商業(yè)分析有所幫助。

一、RFM模型簡介

RFM模型，是根據(jù)客戶活躍程度以及交易金額的貢獻(xiàn)，對(duì)客戶價(jià)值進(jìn)行細(xì)分的一種方法，是客戶關(guān)系管理中常應(yīng)用到的一種操作模型。RFM模型從R、F、M、這3個(gè)維度來描述客戶的價(jià)值，下面來具體解釋一下R、F、M、這3個(gè)維度。

R：上一次消費(fèi) (Recency)，客戶上一次消費(fèi)的時(shí)間，時(shí)間越是接近就表示該客戶越有價(jià)值，對(duì)于提供的即時(shí)商品或是服務(wù)，這些客戶是最有可能反應(yīng)的。

F：消費(fèi)頻率 (Frequency)，一段時(shí)間之內(nèi)對(duì)產(chǎn)品的消費(fèi)頻次，也就是客戶在限定的期間內(nèi)的購買的次數(shù)。通常來說，客戶消費(fèi)頻率越高，也就表示該客戶忠誠度越高。

M：消費(fèi)金額 (Monetary)，用戶的貢獻(xiàn)價(jià)值，交易金額越高，該客戶價(jià)值越高。帕雷托法則認(rèn)為公司80%收入來自20%的客戶。

二、RFM模型使用場景

RFM模型3個(gè)維度可根據(jù)實(shí)際需求變化，例如：

R：最近一次登錄時(shí)間、最近一次發(fā)帖時(shí)間、最近一次投資時(shí)間、最近一次觀看時(shí)間

F：瀏覽次數(shù)、發(fā)帖次數(shù)、評(píng)論次數(shù)

M：充值金額、打賞金額、評(píng)論數(shù)、點(diǎn)贊數(shù)

互動(dòng)行為：最近一次互動(dòng)時(shí)間、互動(dòng)頻次、用戶的互動(dòng)次數(shù);

直播行為：最近一次觀看直播時(shí)間、直播觀看頻次、觀看直播累計(jì)時(shí)長;

內(nèi)容行為：最近一次觀看內(nèi)容時(shí)間、觀看內(nèi)容頻次、觀看內(nèi)容字?jǐn)?shù);

評(píng)論行為：最近一次評(píng)論時(shí)間、評(píng)論頻次、累計(jì)評(píng)論次數(shù)等等等等。

三、RFM模型搭建

1.計(jì)算每個(gè)客戶的RFM指標(biāo)。可以利用CRM軟件或者BI分析工具計(jì)算出每個(gè)客戶的R，F(xiàn)，M

2.根據(jù)實(shí)際業(yè)務(wù)需求，確定具體的R，F(xiàn)，M的度量范圍。

3.在RFM表格中添加細(xì)分的段號(hào)。

因?yàn)橛蠷，F(xiàn)，M三個(gè)變量，所以我們需要使用三維坐標(biāo)系來進(jìn)行展示，X軸表示R，Y 軸表示F，Z軸表示M，坐標(biāo)系的8個(gè)象限分別表示8類用戶也就是：重要價(jià)值客戶、重要保持客戶、重要發(fā)展客戶、重要挽留客戶、一般價(jià)值客戶、一般保持客戶、一般發(fā)展客戶、一般挽留客戶，我們可以用如下圖形進(jìn)行描述：

四、簡單示例

import pandas as pd
import numpy as np
import time
#todo 讀取數(shù)據(jù)
data = pd.read_csv('RFM_TRAD_FLOW.csv',encoding='gbk')
# print(ret)
# todo RFM------>R(最近一次消費(fèi))
#todo 時(shí)間與字符串相互轉(zhuǎn)換
data['time'] = data['time'].map(lambda x:time.mktime(time.strptime(x,'%d%b%y:%H:%M:%S')))
# print(data)
# todo 分組
groupby_obj = data.groupby(['cumid','type'])
# for name,data in groupby_obj:
#   print(name)
#   print(data)
# todo 取值
R = groupby_obj[['time']].max()
# print(
# todo 轉(zhuǎn)為透視表
r_trans = pd.pivot_table(R,index='cumid',columns='type',values='time')
# print(data_trans)
# todo 替換缺失值 有缺失值，替換成最遠(yuǎn)的值
r_trans[['Special_offer','returned_goods']] = r_trans[['Special_offer','returned_goods']].apply(lambda x:x.replace(np.nan,min(x)),axis = 0)
# print(data_trans)
r_trans['r_max'] = r_trans.apply(lambda x:sum(x),axis=1)
# print(r_trans)
# todo RFM------>F(消費(fèi)頻率)
# 取值
F =groupby_obj[['transID']].count()
# print(F)
#轉(zhuǎn)為透視表
f_trans = pd.pivot_table(F,index='cumid',columns='type',values='transID')
# print(f_trans)
#替換缺失值
f_trans[['Special_offer','returned_goods']]= f_trans[['Special_offer','returned_goods']].fillna(0)
# print(f_trans)
#
f_trans['returned_goods'] = f_trans['returned_goods'].map(lambda x:-x)
# print(f_trans)
f_trans['f_total'] = f_trans.apply(lambda x:sum(x),axis=1)
# print(f_trans)
# todo RFM------>M(消費(fèi)金額)
# 取值
M =groupby_obj[['amount']].sum()
# print(M)
#轉(zhuǎn)為透視表
m_trans = pd.pivot_table(M,index='cumid',columns='type',values='amount')
# print(f_trans)
#替換缺失值
m_trans[['Special_offer','returned_goods']]= m_trans[['Special_offer','returned_goods']].fillna(0)
# print(f_trans)
#
m_trans['m_total'] = m_trans.apply(lambda x:sum(x),axis=1)
# print(m_trans)
# 合并
RFM=pd.concat([r_trans["r_max"],f_trans['f_total'],m_trans['m_total']],axis=1)
print(RFM)
r_score = pd.cut(RFM.r_max,3,labels=[0,1,2])
f_score = pd.cut(RFM.r_max,3,labels=[0,1,2])
m_score = pd.cut(RFM.r_max,3,labels=[0,1,2])