背景：电商企业沉积的客户交易数据繁杂。需要挖掘出不同用户群体的特征与价值，再针对不同群体提供不同的营销策略。
数据：某电商企业客户近期购买的数据。包含客户基本信息，商品信息，交易记录。
目标：分析客户交易数据，挖掘出高价值客户，进行精准营销，降低营销成本。

【一】分析思路

RFM模型:是一种衡量客户价值和客户创利能力的重要工具和手段。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。

三要素

RFM分析前提：
1.最近有过交易行为的客户，再次发生交易的可能性要高于最近买有交易行为的客户；
2.交易频率较高的客户比交易频率较低的客户，更有可能再次发生交易行为；
3.过去所有交易总金额较多的客户，比交易总金额较少的客户，更有消费积极性。

RFM模型

根据划分后的情况，可以进行精确营销，以提高

【二】数据处理

import numpy
import pandas as pd
 data = pd.read_csv('D:\Transaction\2017\data0023.csv'

提取数据后处理三要素：
1>.近度（R）:最后购买时间至观察时间
2>.频度（R）:时间内用户购买的次数
3>.额度（R）:时间内客户总共消费的金额

import time
data['DateDiff'] = pandas.to_datetime('today') - data['DealDateTime']

R = data.groupby(by=['CustomerID'])['DateDiff'].agg({'RecencyAgg': numpy.min})

F = data.groupby(by=['CustomerID'])['OrderID'].agg({'FrequencyAgg': numpy.size})

M = data.groupby(by=['CustomerID'])['Sales'].agg('MonetaryAgg': numpy.sum})

【三】Spss分析

【三】python实现

1> 建模数据处理

单独提取数据表中recency，frequencymonetary和monetary三个字段进行聚类。首先转化为数组。

 #转化为数组
rfm_new = np.array(rfm[['frequency','monetary','recency']])
 #设置随机数
seed=9

2> 建立K—Means模型

from sklearn.cluster import KMeans
clf=KMeans(n_clusters=8,random_state=seed)
clf=clf.fit(rfm_new)

3> RFM拟合

完成后查看K—Means聚类后的8个质心点的值

clf.cluster_centers_

在原始数据表中对每个用户进行聚类结果标记。这样我们就可以知道每个用户ID在RFM模型中所属的类别。

#对原数据表进行类别标记
rfm['label']= clf.labels_

#查看标记后的数据
rfm.head()

#计算每个类别的数据量
c=rfm["label"].value_counts()

image.png

【四】总结&思考

http://bluewhale.cc/2018-02-11/use-python-to-create-rfm-model.html