在商業(yè)分析中，我們經(jīng)常會遇到以下問題：

不知道如何進行用戶行為分析，對用戶進行分類?

不知道哪些是重要價值客戶，他們能帶來什么，應該如何維護?

這時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模型的構建以及應用，希望對大家商業(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，對客戶價值進行細分的一種方法，是客戶關系管理中常應用到的一種操作模型。RFM模型從R、F、M、這3個維度來描述客戶的價值，下面來具體解釋一下R、F、M、這3個維度。

R：上一次消費 (Recency)，客戶上一次消費的時間，時間越是接近就表示該客戶越有價值，對于提供的即時商品或是服務，這些客戶是最有可能反應的。

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

M：消費金額 (Monetary)，用戶的貢獻價值，交易金額越高，該客戶價值越高。帕雷托法則認為公司80%收入來自20%的客戶。

二、RFM模型使用場景

RFM模型3個維度可根據(jù)實際需求變化，例如：

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

F：瀏覽次數(shù)、發(fā)帖次數(shù)、評論次數(shù)

M：充值金額、打賞金額、評論數(shù)、點贊數(shù)

互動行為：最近一次互動時間、互動頻次、用戶的互動次數(shù);

直播行為：最近一次觀看直播時間、直播觀看頻次、觀看直播累計時長;

內(nèi)容行為：最近一次觀看內(nèi)容時間、觀看內(nèi)容頻次、觀看內(nèi)容字數(shù);

評論行為：最近一次評論時間、評論頻次、累計評論次數(shù)等等等等。

三、RFM模型搭建

1.計算每個客戶的RFM指標?？梢岳肅RM軟件或者BI分析工具計算出每個客戶的R，F(xiàn)，M

2.根據(jù)實際業(yè)務需求，確定具體的R，F(xiàn)，M的度量范圍。

3.在RFM表格中添加細分的段號。

因為有R，F(xiàn)，M三個變量，所以我們需要使用三維坐標系來進行展示，X軸表示R，Y 軸表示F，Z軸表示M，坐標系的8個象限分別表示8類用戶也就是：重要價值客戶、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)
#todo 時間與字符串相互轉換
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(消費頻率)
# 取值
F =groupby_obj[['transID']].count()
# print(F)
#轉為透視表
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(消費金額)
# 取值
M =groupby_obj[['amount']].sum()
# print(M)
#轉為透視表
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])