RFM是客戶分析及衡量客戶價值的重要模型之一，其中的R表示最近一次消費(Recency)，F(xiàn)表示消費頻率(Frequency)，M表示消費金額(Monetary)。依據(jù)這三個指標(biāo)RFM可以將客戶動態(tài)分組，并進一步指導(dǎo)客戶運營的下一步工作。本篇文章使用python的聚類算法創(chuàng)建一個粗糙的RFM模型。

1. 開始前的準(zhǔn)備工作

首先是開始前的準(zhǔn)備工作，這里除了常用的numpy和pandas以外，有幾個庫文件單獨說明下，pymysql是python連接mysql進行數(shù)據(jù)提取的庫，cluster用于聚類，此外還有一些庫文件在本篇文章中并沒有使用到，例如DecisionTreeClassifier，grid_search和cross_validation等等。這些會在后面對RFM模型進行進一步分類預(yù)測，模型持久化和依據(jù)RFM模型做內(nèi)容推薦時使用到。因此先一起放在這里，后面的系列文章會進行使用說明。

2. 從mysql提取RFM指標(biāo)數(shù)據(jù)

原始的用戶數(shù)據(jù)存儲在mysql中，因此需要使用python連接mysql進行數(shù)據(jù)提取。下面是具體的代碼和數(shù)據(jù)提取過程。

使用提取的數(shù)據(jù)創(chuàng)建DataFrame數(shù)據(jù)表，取名為rfm。

查看數(shù)據(jù)表的前5行數(shù)據(jù)，這里除了創(chuàng)建RFM模型必要的指標(biāo)以外，還保留了用戶ID，年齡等信息，也是為了后面的分類和推薦使用。

3. 使用K-Means進行RFM模型聚類

單獨提取數(shù)據(jù)表中frequency，monetary，和recency三個字段進行聚類。首先轉(zhuǎn)化為數(shù)組。

設(shè)置KMeans模型參數(shù)，并代入指標(biāo)數(shù)據(jù)進行擬合。

查看KMeans聚類后的8個質(zhì)心點的值。

在原始數(shù)據(jù)表中對每個用戶進行聚類結(jié)果標(biāo)記。這樣我們就可以知道每個用戶ID在RFM模型中所屬的類別。

查看RFM模型8個類別中的用戶數(shù)量。