R语言构建RFM模型了解一下~~~

数据小磨坊

发布于 2018-07-25 11:47:23

2.9K0

发布于 2018-07-25 11:47:23

文章被收录于专栏：数据小魔方

RFM模型是市场营销和CRM客户管理中经常用到的探索性分析方法，透过模型深入挖掘客户行为背后的价值规律，进而更好地利用数据价值推动业务发展和客户管理。

RFM是三种客户行为的英文缩写：

R：Recency —— 客户最近一次交易时间的间隔。R值越大，表示客户交易距今越久，反之则越近； F：Frequency—— 客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则不够活跃； M：Monetary —— 客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则越低。

一般通过对RFM三个原始指标进行分箱操作（分位数法），获得三个指标各自的若干个水平因子（需要注意因子水平大小的对应的实际意义）。

R_S:基于最近一次交易日期计算得分，距离当前日期越近，则得分越高，否则得分越低； F_S:基于交易频率计算得分，交易频率越高，则得分越高，否则得分越低； M_S：基于交易金额得分，交易金额越高，则得分越高，反之得分越低。

同时为了对每个客户进行综合评价，也可将以上三个得分进行加权计算（权重规则可由专家制定或者营销人员自行根据业务决定，这里统一采用100:10:1）。

RFM = 100R_S + 10F_S + 1*M_S

RFM核心便是构建在R、F、M三个指标得分构成的立方体组合内，形成一个非常直观的客户价值矩阵。

最终通过对R_S、F_S、M_S三指标的得分组合，形成八种客户价值类型，营销人员可以通过以上组合形成的客户类群，针对性的进行活动营销，进而提升客户价值和营收水平。

通过RFM分析识别优质客户，可以据此制定个性化沟通与营销服务，可以为营销决策提供更好地支持。

以下是利用R语言构建RFM模型的简要步骤：

1、数据准备：

## !/user/bin/env RStudio 1.1.423
## -*- coding: utf-8 -*-
## RFM Model

#* 最近一次消费(Recency)      
#* 消费频率(Frenquency)       
#* 消费金额(Monetary)

Code Part

setwd('D:/R/File/')
library('magrittr')
library('dplyr')
library('scales')
library('ggplot2')
library("easyGgplot2")
library("Hmisc")  
library('foreign')
library('lubridate')

mydata <- spss.get("trade.sav",datevars = '交易日期',reencode = 'GBK') 
names(mydata) <- c('OrderID','UserID','PayDate','PayAmount') 

start_time <- as.POSIXct("2017/01/01", format="%Y/%m/%d") %>%  as.numeric()
end_time   <- as.POSIXct("2017/12/31", format="%Y/%m/%d") %>%  as.numeric()
set.seed(233333)
mydata$PayDate <- runif(nrow(mydata),start_time,end_time) %>% as.POSIXct(origin="1970-01-01") %>% as.Date()
mydata$interval <- difftime(max(mydata$PayDate),mydata$PayDate ,units="days") %>% round() %>% as.numeric()

按照用户ID聚合交易频次、交易总额及首次购买时间

salesRFM <- mydata %>% group_by(UserID) %>% 
  summarise(
    Monetary  = sum(PayAmount),
    Frequency = n(),
    Recency   = min(interval)
    )

2、计算得分

#分箱得分

salesRFM <- mutate(
  salesRFM,
  rankR   = 6- cut(salesRFM$Recency,breaks = quantile(salesRFM$Recency,   probs = seq(0, 1, 0.2),names = FALSE),include.lowest = TRUE,labels=F),
  rankF   = cut(salesRFM$Frequency ,breaks = quantile(salesRFM$Frequency, probs = seq(0, 1, 0.2),names = FALSE),include.lowest = TRUE,labels=F),
  rankM   = cut(salesRFM$Monetary  ,breaks = quantile(salesRFM$Monetary,  probs = seq(0, 1, 0.2),names = FALSE),include.lowest = TRUE,labels=F),
  rankRMF = 100*rankR + 10*rankF + 1*rankM
)
#标准化得分（也是一种计算得分的方法）

salesRFM <- mutate(
  salesRFM,
  rankR1 = 1 - rescale(salesRFM$Recency,to = c(0,1)),
  rankF1 = rescale(salesRFM$Frequency,to = c(0,1)),
  rankM1 = rescale(salesRFM$Monetary,to = c(0,1)),
  rankRMF1 = 0.5*rankR + 0.3*rankF + 0.2*rankM
)

3、客户分类：

#对R\F\M分类：

salesRFM <- within(salesRFM,{
  R_S = ifelse(rankR > mean(rankR),2,1)
  F_S = ifelse(rankF > mean(rankF),2,1)
  M_S = ifelse(rankM > mean(rankM),2,1)
})

#客户类型归类：

salesRFM <- within(salesRFM,{
  Custom = NA
  Custom[R_S == 2 & F_S == 2 & M_S == 2] = '高价值客户'
  Custom[R_S == 1 & F_S == 2 & M_S == 2] = '重点保持客户'
  Custom[R_S == 2 & F_S == 1 & M_S == 2] = '重点发展客户'  
  Custom[R_S == 1 & F_S == 1 & M_S == 2] = '重点挽留客户'
  Custom[R_S == 2 & F_S == 2 & M_S == 1] = '重点保护客户'
  Custom[R_S == 1 & F_S == 2 & M_S == 1] = '一般保护客户'
  Custom[R_S == 2 & F_S == 1 & M_S == 1] = '一般发展客户'
  Custom[R_S == 1 & F_S == 1 & M_S == 1] = '潜在客户'
})

4、分析结果可视化：

4.1 查看RFM分箱后客户分布状况：

#RFM分箱计数

ggplot(salesRFM,aes(rankF)) +
  geom_bar()+
  facet_grid(rankM~rankR) +
  theme_gray()

4.2 RFM热力图：

#RFM heatmap

heatmap_data <- salesRFM %>% group_by(rankF,rankR) %>% dplyr::summarize(M_mean = mean(Monetary))
ggplot(heatmap_data,aes(rankF,rankR,fill =M_mean )) +
  geom_tile() +
  scale_fill_distiller(palette = 'RdYlGn',direction = 1)

4.3 RFM直方图：

#RFM直方图 

p1 <- ggplot(salesRFM,aes(Recency)) +
      geom_histogram(bins = 10,fill = '#362D4C')
p2 <- ggplot(salesRFM,aes(Frequency)) +
  geom_histogram(bins = 10,fill = '#362D4C')  
p3 <- ggplot(salesRFM,aes(Monetary)) +
  geom_histogram(bins = 10,fill = '#362D4C')  
ggplot2.multiplot(p1,p2,p3, cols=3)

4.4 RFM两两交叉散点图：

#RFM 两两交叉散点图

p1 <- ggplot(salesRFM,aes(Monetary,Recency)) +
  geom_point(shape = 21,fill = '#362D4C' ,colour = 'white',size = 2)
p2 <- ggplot(salesRFM,aes(Monetary,Frequency)) +
  geom_point(shape = 21,fill = '#362D4C' ,colour = 'white',size = 2)  
p3 <- ggplot(salesRFM,aes(Frequency,Recency)) +
  geom_point(shape = 21,fill = '#362D4C' ,colour = 'white',size = 2)  
ggplot2.multiplot(p1,p2,p3, cols=1)

5 数据结果导出

#导出结果数据
write.csv(salesRFM,'salesRFM.csv')

Python:

1、数据准备

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import time
import numpy   as np
import pandas  as pd 
import savReaderWriter as spss
import os
from  datetime import datetime,timedelta

np.random.seed(233333)
os.chdir('D:/R/File') 
pd.set_option('display.float_format', lambda x: '%.3f' % x) 

with spss.SavReader('trade.sav',returnHeader = True ,ioUtf8=True,rawMode = True,ioLocale='chinese') as reader:
    mydata = pd.DataFrame(list(reader)[1:],columns = list(reader)[0])
    mydata['交易日期'] = mydata['交易日期'].map(lambda x: reader.spss2strDate(x,"%Y-%m-%d", None))
    mydata.rename(columns={'订单ID':'OrderID','客户ID':'UserID','交易日期':'PayDate','交易金额':'PayAmount'},inplace=True)
    start_time = int(time.mktime(time.strptime('2017/01/01', '%Y/%m/%d')))
    end_time   = int(time.mktime(time.strptime('2017/12/31', '%Y/%m/%d')))
    mydata['PayDate'] = pd.Series(np.random.randint(start_time,end_time,len(mydata))).map(lambda x: time.strftime("%Y-%m-%d", time.localtime(x)))
    mydata['interval'] = [(datetime.now() - pd.to_datetime(i,format ='%Y %m %d')).days for i in mydata['PayDate']]
    mydata = mydata.astype({'OrderID':'int64','UserID':'int64','PayAmount':'int64'})
    print('---------#######-----------')
    print(mydata.head())
    print('---------#######-----------')
    print(mydata.tail())
    print('…………………………………………………………………………')        
    print(mydata.dtypes)
    print('---------#######------------')

2、得分计算：

#按照用户ID聚合交易频次、交易总额及首次购买时间

mydata.set_index('UserID', inplace=True)
salesRFM = mydata.groupby(level = 0).agg({
    'PayAmount': np.sum,
     'PayDate':  'count',
     'interval':  np.min
     }) 

# make the column names more meaningful

salesRFM.rename(columns={
    'PayAmount': 'Monetary',
    'PayDate': 'Frequency',
    'interval':'Recency'
    }, inplace=True)
salesRFM.head()

#均值划分

salesRFM  = salesRFM.assign(
  rankR   = pd.qcut(salesRFM['Recency'],  q = [0, .2, .4, .6,.8,1.] , labels = [5,4,3,2,1]),
  rankF   = pd.qcut(salesRFM['Frequency'],q = [0, .2, .4, .6,.8,1.] , labels = [1,2,3,4,5]),
  rankM   = pd.qcut(salesRFM['Monetary'] ,q = [0, .2, .4, .6,.8,1.] , labels = [1,2,3,4,5])
)
salesRFM['rankRMF'] =  100*salesRFM['rankR'] + 10*salesRFM['rankF'] + 1*salesRFM['rankM']

#特征缩放——0-1标准化

from sklearn import preprocessing
min_max_scaler = preprocessing.MinMaxScaler()

salesRFM1 = min_max_scaler.fit_transform(salesRFM.loc[:,['Recency','Frequency','Monetary']].values)
salesRFM  = salesRFM.assign(
    rankR1 = 1 - salesRFM1[:,0],
    rankF1 = salesRFM1[:,1],
    rankM1 = salesRFM1[:,2]
    )
salesRFM['rankRFM1'] = 0.5*salesRFM['rankR1'] + 0.3*salesRFM['rankF1'] + 0.2*salesRFM['rankM1']

3、客户分类：

#对R\F\M分类：

salesRFM = salesRFM.astype({'rankR':'int64','rankF':'int64','rankM':'int64'})
salesRFM = salesRFM.assign(
  R_S = salesRFM['rankR'].map(lambda x: 2 if x > salesRFM['rankR'].mean() else 1),
  F_S = salesRFM['rankF'].map(lambda x: 2 if x > salesRFM['rankF'].mean() else 1), 
  M_S = salesRFM['rankM'].map(lambda x: 2 if x > salesRFM['rankM'].mean() else 1)   
 )

#客户类型归类：

salesRFM['Custom'] = np.NaN
salesRFM.loc[(salesRFM['R_S'] == 2) & (salesRFM['F_S'] == 2) & (salesRFM['M_S'] == 2),'Custom']  = '高价值客户'
salesRFM.loc[(salesRFM['R_S'] == 1) & (salesRFM['F_S'] == 2) & (salesRFM['M_S'] == 2),'Custom']  = '重点保持客户' 
salesRFM.loc[(salesRFM['R_S'] == 2) & (salesRFM['F_S'] == 1) & (salesRFM['M_S'] == 2),'Custom']  = '重点发展客户' 
salesRFM.loc[(salesRFM['R_S'] == 1) & (salesRFM['F_S'] == 1) & (salesRFM['M_S'] == 2),'Custom']  = '重点挽留客户' 
salesRFM.loc[(salesRFM['R_S'] == 2) & (salesRFM['F_S'] == 2) & (salesRFM['M_S'] == 1),'Custom']  = '重点保护客户'  
salesRFM.loc[(salesRFM['R_S'] == 1) & (salesRFM['F_S'] == 2) & (salesRFM['M_S'] == 1),'Custom']  = '一般保护客户'  
salesRFM.loc[(salesRFM['R_S'] == 2) & (salesRFM['F_S'] == 1) & (salesRFM['M_S'] == 1),'Custom']  = '一般发展客户'    
salesRFM.loc[(salesRFM['R_S'] == 1) & (salesRFM['F_S'] == 1) & (salesRFM['M_S'] == 1),'Custom']  = '潜在客户'

RFM模型仅仅是一个前期的探索性分析，可以利用RFM模型输出的指标结果还可以进行其他分类以及降维模型的构建，深入探索客户数据价值，挖掘潜在营销点。

数据文件及code可以点击下面的GitHub链接获取：

https://github.com/ljtyduyu/DataWarehouse/tree/master/Model

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2018-04-30，如有侵权请联系 cloudcommunity@tencent.com 删除

其他

本文分享自数据小魔方微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

其他

登录后参与评论

0 条评论

热度