使用Python进行 RFM 分析分析

在本文中，我们将看到使用Python进行的新近度、频率、货币价值分析。但首先，让我们简要了解 RFM 分析。

什么是 RFM 分析？

RFM 代表新近度、频率、货币价值。在业务分析中，我们经常使用这个概念将客户划分为不同的细分市场，如高价值客户、中等价值客户或低价值客户，等等。

假设我们是一家公司，我们的公司名称是 geek，我们来对我们的客户进行 RFM 分析

1. 新近度：客户最近多久与我们进行过交易
2. 频率：客户从我们这里订购/购买某些产品的频率
3. 货币：客户从我们这里购买产品的花费是多少。

入门

加载必要的库和数据

在这里，我们将导入所需的模块（pandas、DateTime 和 NumPy），然后读取数据框中的数据。

使用的数据集： rfm

Python3

# importing necessary libraries
import pandas as pd
import datetime as dt
import numpy as np
 
# importing the data
df = pd.read_excel( < my excel file location > )
df.head()

计算新近度

在这里，我们正在计算与公司进行购买的客户的新近度。

Python3

df_recency = df.groupby(by='Customer Name',
                        as_index=False)['Order Date'].max()
df_recency.columns = ['CustomerName', 'LastPurchaseDate']
recent_date = df_recency['LastPurchaseDate'].max()
df_recency['Recency'] = df_recency['LastPurchaseDate'].apply(
    lambda x: (recent_date - x).days)
df_recency.head()

计算频率

我们在这里计算客户从公司订购/购买某些产品的频繁交易频率。

Python3

frequency_df = df.drop_duplicates().groupby(
    by=['Customer Name'], as_index=False)['Order Date'].count()
frequency_df.columns = ['CustomerName', 'Frequency']
frequency_df.head()

计算货币价值

在这里，我们正在计算客户从公司购买产品所花费的货币价值。

Python3

df['Total'] = df['Sales']*df['Quantity']
monetary_df = df.groupby(by='Customer Name', as_index=False)['Total'].sum()
monetary_df.columns = ['CustomerName', 'Monetary']
monetary_df.head()

将所有三列合并到一个数据框中

在这里，我们使用合并函数合并单个实体中的所有数据框列，以显示新近度、频率、货币值。

Python3

rf_df = df_recency.merge(frequency_df, on='CustomerName')
rfm_df = rf_df.merge(monetary_df, on='CustomerName').drop(
    columns='LastPurchaseDate')
rfm_df.head()

根据客户的新近度、频率和货币分数对客户进行排名

在这里，我们将公司内客户的排名标准化以分析排名。

Python3

rfm_df['R_rank'] = rfm_df['Recency'].rank(ascending=False)
rfm_df['F_rank'] = rfm_df['Frequency'].rank(ascending=True)
rfm_df['M_rank'] = rfm_df['Monetary'].rank(ascending=True)
 
# normalizing the rank of the customers
rfm_df['R_rank_norm'] = (rfm_df['R_rank']/rfm_df['R_rank'].max())*100
rfm_df['F_rank_norm'] = (rfm_df['F_rank']/rfm_df['F_rank'].max())*100
rfm_df['M_rank_norm'] = (rfm_df['F_rank']/rfm_df['M_rank'].max())*100
 
rfm_df.drop(columns=['R_rank', 'F_rank', 'M_rank'], inplace=True)
 
rfm_df.head()

计算 RFM 分数

RFM 分数是根据新近度、频率、货币价值标准化排名计算的。根据这个分数，我们划分我们的客户。在这里，我们以 5 分对它们进行评分。用于计算 rfm 分数的公式为：0.15*Recency score + 0.28*Frequency score + 0.57 *Monetary score

Python3

rfm_df['RFM_Score'] = 0.15*rfm_df['R_rank_norm']+0.28 * \
    rfm_df['F_rank_norm']+0.57*rfm_df['M_rank_norm']
rfm_df['RFM_Score'] *= 0.05
rfm_df = rfm_df.round(2)
rfm_df[['CustomerName', 'RFM_Score']].head(7)

根据 RFM 分数对客户进行评级

• rfm 得分 >4.5：顶级客户
• 4.5 > rfm score > 4 : 高价值客户
• 4>rfm score >3 : 中等价值客户
• 3>rfm score>1.6：低价值客户
• rfm score<1.6：失去客户

Python3

rfm_df["Customer_segment"] = np.where(rfm_df['RFM_Score'] >
                                      4.5, "Top Customers",
                                      (np.where(
                                        rfm_df['RFM_Score'] > 4,
                                        "High value Customer",
                                        (np.where(
    rfm_df['RFM_Score'] > 3,
                             "Medium Value Customer",
                             np.where(rfm_df['RFM_Score'] > 1.6,
                            'Low Value Customers', 'Lost Customers'))))))
rfm_df[['CustomerName', 'RFM_Score', 'Customer_segment']].head(20)

可视化客户细分

在这里，我们将使用饼图来显示所有客户群。

Python3

plt.pie(rfm_df.Customer_segment.value_counts(),
        labels=rfm_df.Customer_segment.value_counts().index,
        autopct='%.0f%%')
plt.show()