RFM用户分层｜原理+Python全流程实现
RFM模型
《RFM模型》 在数据分析中经常会进行用户分层，本文我们来了解一下常见的用户分层模型RFM。
RFM概念
RFM是由R(Recency)、F (Frequency)、M(Monetary)三个维度构成的，其具体含义如下：
- R：最近一次消费时间间隔
- F：消费频率
- M：消费金额
这里对于这三个维度的概念简单的做一个说明：
- R：当前日期为3月28日，上一次消费日期3月20日，消费时间间隔为8天。
- F：一年内去某商场消费100次，消费频率为100次。
- M：一年内去某商场消费总额为1W元，消费金额为1W元。
RFM分层方式
一般情况下，在具体分层的时候，我们可以从RFM三个不同的维度进行高或低的评分，最终得到8种不同的结果（2*2*2=8），不同组合对应的分层类型如下表所示：
R（时间间隔） | F（消费频率） | M（消费金额） | 分层结果 |
|---|---|---|---|
高 | 高 | 高 | 重要价值用户 |
高 | 低 | 高 | 重要发展用户 |
低 | 高 | 高 | 重要保持用户 |
低 | 低 | 高 | 重要挽留用户 |
高 | 高 | 低 | 一般价值用户 |
高 | 低 | 低 | 一般发展用户 |
低 | 高 | 低 | 一般保持用户 |
低 | 低 | 低 | 一般挽留用户 |
根据结果我们不难看到RFM分层的内容主要是由不同维度评分的高低决定的，接下来我们再来拆解一下评分的高低是如何划分的。
对于评分首先我们要思考几个问题：
- 消费时间间隔越长评分应该高还是低？
- 消费频率越高评分应该是高还是低？
- 消费金额越大评分应该是高还是低？
弄清楚了这三个问题之后，我们再来思考评分是如何得到的。在进行RFM不同维度评分的时候根据不同的业务具有不同的业务评分表，示例如下所示（如何进行评分表的设计后文会说明）：
打分 | 消费间隔（R）（天） | 消费频率 （F） （次） | 消费金额（M） （元） |
|---|---|---|---|
1 | [20,inf] | [0,2] | [0,1000] |
2 | [11,20] | [3,5] | [1001,1500] |
3 | [6,10] | [6,8] | [1501,3000] |
4 | [4,5] | [9,16] | [3001,5000] |
5 | [0,3] | [16,inf] | [5000,inf] |
根据上表所示的评分表我们将所有用户的数据进行对照打分即可，示例如下：
用户ID | 消费间隔（R） | 消费频率（F） | 消费金额（M） | R值打分 | F值打分 | M值打分 |
|---|---|---|---|---|---|---|
1 | 5 | 2 | 6500 | 4 | 1 | 5 |
2 | 3 | 10 | 1700 | 5 | 4 | 3 |
3 | 2 | 7 | 2600 | 5 | 3 | 3 |
得到了每个用户对应的打分之后，我们还需要有一个标准进行对照，超出这个标准的就记为高分，低于则记为低分即可，通常情况下我们会选择所有用户打分的均值作为对照标准，计算RFM三个维度评分的均值结果为：
- R：4.67
- F：2.67
- M：3.67
接下来我们就可以将上述对于每个用户的打分与这个标准进行对比，得到每个用户最终的RFM评分和结果：
用户ID | R | F | M | 分层结果 |
|---|---|---|---|---|
1 | 低 | 低 | 高 | 重要挽留用户 |
2 | 高 | 高 | 低 | 一般价值用户 |
3 | 高 | 高 | 低 | 一般价值用户 |
RFM评分表设计
当没有具体的业务规定时，我们可以使用如下的方法进行评分表的设计。
假设一共有10000个用户，用M（消费金额）维度举例，我们首先将所有人的消费金额进行排序，然后按照人数将整体等分成5个连续的区间，区间的评分分别对应[1,2,3,4,5]即可。
RFM策略
了解完了RFM的概念与分层方式，我们再来了解一下RFM分层后的实际应用，根据分层结果，通常我们会对重要的用户进行运营，策略如下：
- 重要价值用户：保持长期联系与重点关注
- 重要保持用户：发放小额优惠券，吸引用户回流
- 重要发展客户：促导用户办理会员卡，积分卡
- 重要挽留客户：发放大额优惠券，吸引用户回流
RFM分层Python实现
创建虚拟数据
import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings("ignore")
# 随机创建用户数据
df = pd.DataFrame({
'用户ID': np.arange(1, 10001),
'时间间隔': np.random.randint(1, 10, 10000),
'消费频次': np.random.randint(1, 100, 10000),
'消费金额': np.random.randint(1000, 10000, 10000),
})构建评分规则区间
def score_list(data):
re = list(data.values)
re.sort()
return re[2000:10000:2000]
r_score = score_list(df['时间间隔'])
f_score = score_list(df['消费频次'])
m_score = score_list(df['消费金额'])根据评分规则进行打分
def func1(x, score):
if x <= score[0]:
return 1
elif score[0] < x <= score[1]:
return 2
elif score[1] < x <= score[2]:
return 3
elif score[2] < x <= score[3]:
return 4
else:
return 5
df['R'] = df['时间间隔'].apply(func1, score=r_score)
df['F'] = df['消费频次'].apply(func1, score=f_score)
df['M'] = df['消费金额'].apply(func1, score=m_score)区分打分的高低
R_avg = df['R'].mean()
F_avg = df['F'].mean()
M_avg = df['M'].mean()
def score(x,avg):
if x > avg:
return 1
else:
return 0
df['R_S'] = df['R'].apply(score,avg=R_avg)
df['F_S'] = df['F'].apply(score,avg=F_avg)
df['M_S'] = df['M'].apply(score,avg=M_avg)
# R的逻辑和F/M相反，进行倒置
def rev_r(x):
if x == 1:
return 0
else:
return 1
df['R_S'] = df['R_S'].apply(rev_r)进行RFM映射
def get_sum_value(series):
return ''.join([str(i) for i in series.values.tolist()])
# 添加RFM字符串列
df['data_rfm'] = df[['R_S','F_S','M_S']].apply(get_sum_value, axis=1)
dic = {
'111': '重要价值客户',
'011': '重要保持客户',
'001': '重要挽留客户',
'101': '重要发展客户',
'010': '一般保持客户',
'110': '一般价值客户',
'000': '一般挽留客户',
'100': '一般发展客户'
}
# RFM字符串数据映射成对应类型文字
df['data_rfm_re'] = df['data_rfm'].map(dic)结果示例如下
