是的，我们每个人在平台的眼里，价值都是不一样的。

比如一些天天上网购物，拆快递拆到手软的美女帅哥们，他们就是各个平台的高活跃高价值用户，他们要是哪天有停止购物准备跑路的痕迹，平台的运营朋友会急得想死，千方百计进行挽留，毕竟你是他们的衣食爹妈，死活得让你继续贡献软妹币。

还有一些用户就没这么好运了。

比如东哥这种死抠门，三年五年不见得出一次血，一个49块钱买的破衬衣要穿好几个春夏秋冬。这种的话，平台都懒得鸟你，你特么爱来不来，多一个不多，少一个不少，出门左拐，慢走不送。

那么平台是通过哪些维度进行用户价值判断与划分的呢？

今天的主角RFM模型就来告诉你答案。

— 1 —

RFM模型

有的人看到模型两个字，就瑟瑟发抖，以为要用各种数学公式，想都不想就一脸嫌弃。其实你误会了，RFM模型真的非常友好，要不然东哥这种纯文科生也搞不掂。

看名称你就知道，这个模型主要就是三个要素：

R，Rencency，就是最近一次消费是啥时候。比如你上次买姨妈巾是一个月前。

F，Frequency，就是你的消费频率，比如你一月来一次大姨妈，那你一个月会买一次姨妈巾，一年就是12次，当然也有人一次性买一年的，那么你的消费频率就低了，一年才1次。

M，Monetary，就是你的消费金额，有的人穷，买20块钱的；有的人富，姨妈巾都要镀金的，那么可能几百几千的。

嗯，相信你对RFM模型的三个指标已经非常清楚了。那么，RFM模型为什么成立呢？逻辑是什么？

逻辑也很简单：

1、最近买过的人，应该比最近没买过的人更有价值

2、一年来买10次的人，应该比一年来买1次的人更有价值

3、消费额度100的人，应该比消费1块钱的人更有价值

在这个逻辑下，我们就会对RFM的每个指标进行打分，最后算出RFM的总分，并以此来判断客户的分层。

当然每个公司对指标的侧重点不一样，所以赋分阶段也可以有所偏向。

 

— 2 —

数据准备

1、数据输入

•  

import numpy as np
import pandas as pd
from  pyecharts import Bar,WordCloud,Pie
df=pd.read_excel(r'C:UsersAdministratorDesktop销售数据.xlsx')
df.head()

 

 

 

 

 

这个数据里面字段比较多对不对？但是RFM模型只有三个指标，所以根本不需要这么多字段，那么我们只要选出模型所需要的字段即可。

2、字段选择

•  

df=df[['订单号','订单日期','顾客姓名','销售额']]
df.head()

 

 

 

 

 

想要的数据字段有了，但你有没有发现，有的一个订单号拆分成了好几个？比如32号，拆成了3个，那么我们就得把这些东西给整合起来。

3、订单整合

•  

df=df.groupby(['订单号','订单日期','顾客姓名'])['销售额']
df=df.agg([np.sum]).reset_index()
df=df[['订单日期','顾客姓名','sum']].rename(columns={'sum':'销售额'})

 

 

 

 

 

这段代码看起来很简单，但是也包含了很多信息哦。比如数据分组、聚合、行及列索引重命名等。

好了，现在数据已经准备好了，开始建立模型。

 

— 3 —

建模过程

1、计算指标值

只有每个值都算出来了，我们才能根据这些值进行分层，从而判断不同用户的价值。

1.1、计算距今天数

•  

df['距今']=(pd.to_datetime('today')-df['订单日期']).dt.days
df.head()

 

 

 

 

 

这个是R值的基础。也就是用今天（我是9月13日做的）的时间减去用户每次消费的时间。知道用户每次消费距今的时间，我们才能筛选出距今最近的一次消费时间。

1.2、计算RFM值

•  

R0=df.groupby(by=['顾客姓名'])['距今'].aggregate([('最近一次消费','min')])
F0=df.groupby(by=['顾客姓名'])['顾客姓名'].aggregate([('消费频次','count')])
M0=df.groupby(by=['顾客姓名'])['销售额'].aggregate([('消费金额','sum')])
rfm= pd.merge(pd.merge(R0,F0,on='顾客姓名',how='right'),M0,on='顾客姓名',how='right')
#rfm = R0.join(F0).join(M0) 第二种方法
#rfm=pd.concat([R0,F0,M0],axis=1)  第三种方法
rfm.head()

 

 

 

 

 

用分组、聚合分别算出指标值，最后用merge函数进行拼接。当然用join、concat函数也行，根据自己的熟悉程度和习惯进行选择。

到现在为止，我们已经算出了RFM模型所有需要的所有值了。每个用户最近一次消费距今多少天，消费频次是多少，消费金额是多少，都知道了。

2、对指标进行分级

我们看到消费频次有1次到10多次的，那么我们就要对这些次数进行分级，相应的频次对应相应的等级，划分出用户价值。RFM模型分级一般分3到5级，我这里采用5分法。

2.1、给RFM的每个值进行打分评级

•  

bins = rfm.最近一次消费.quantile(q=np.linspace(0,1,6),interpolation='nearest')  
bins[0] =0  
labels =[5, 4, 3, 2, 1]  
R1 = pd.cut(rfm.最近一次消费,bins,labels=labels);
bins = rfm.消费频次.quantile(q=np.linspace(0,1,6),interpolation='nearest')  
bins[0]=0 
labels=[1,2,3,4,5] 
F1 = pd.cut(rfm.消费频次,bins,labels=labels);
bins = rfm.消费金额.quantile(q=np.linspace(0,1,6),interpolation='nearest')  
bins[0]=0  
labels=[1, 2, 3, 4, 5]  
M1 = pd.cut(rfm.消费金额,bins,labels=labels);
rfm['R1']=R1  
rfm['F1']=F1  
rfm['M1']=M1
rfm.head()

 

 

 

 

 

quantile是分位数函数，cut是切片函数，类似于tableau中的数据桶。

这一步是整个建模过程中最重要的一步，如何进行分组，是rfm模型的灵魂。分组不对，会直接影响你的模型应用效果。

如果你暂时没有经验数据，那么用分位数函数进行分组就是最科学的。

从结果看到，指标分级出来了。我们已经给每个用户的每个指标进行了打分。

有朋友会有疑问，R值打分是从5到1，而其他值是从1到5呢？

解释一下：因为R值是距今的天数，所以值越大，离现在越久，所以分数越低，价值越低，因此标签是倒过来的；而其他的指标，值越大，越有价值，比如消费额度越高越好，所以是顺序进行打分。

2.2、对RFM总分进行统计分级

每个指标的分数已经算出来，现在就要对各个指标进行赋分汇总。

因为在不同业务中，每个指标的重要性是不一样的，有的阶段，频率很重要，有的阶段，销售额很重要。所以需要区别对待。

就像我们大学的时候考试，平时成绩占40%，期末考试占60%

rfm模型也可以进行这样的赋分操作。

•  

rfm['RFM'] =0.2*R1.astype(int) + 0.3*F1.astype(int) + 0.5*M1.astype(int)  
rfm.head()

 

 

 

 

 

现在RFM总分出来了。我这里的赋分标准是倾向于消费金额的，消费额越大，分数越大。

这里astype(int) 很关键，因为涉及到数学运算，所以必须把对象转化为int整数型。

2.3、对每个用户价值进行判断

这就是RFM模型的最后一步，即根据rfm总分对每个用户进行贴标签，然后分层运营。

•  

bins = rfm.RFM.quantile(q=[0,0.125,0.25,0.375,0.5,0.625,0.75,0.875,1],interpolation='nearest')  
bins[0] =0
labels =  ['流失客户','一般维持客户','一般发展客户','潜力客户','重要挽留客户','重要保持客户','重要发展客户','重要价值客户']
rfm['用户分层'] = pd.cut(rfm.RFM,bins,labels=labels)
rfm.head() 

 

 

 

 

 

嗯，现在每个用户都有一个标签了。是不是感觉以后做用户运营更方便了呢？

 

— 4 —

模型可视化

1、人数汇总

这一步需要把每个标签的人数都统计出来，然后可以看分布情况，从而对用户整体能有个大致认知。

•  

df1=rfm.reset_index().dropna()
df1=df1.pivot_table('顾客姓名',index='用户分层',aggfunc='count')
df1=df1.rename(columns={'顾客姓名':'人数'}).reset_index()
df1

 

 

 

 

 

2、可视化柱形图

•  

bar = Bar(title = "客户分层分布图",width = 600,height = 400)
bar.add(name ="分布",x_axis=df1['用户分层'],y_axis=df1['人数'],
       is_datazoom_show=True,is_label_show=True)
bar.render('客户分层分布图.html')
bar

 

 

 

 

 

3、最终代码汇总

•  

import numpy as np
import pandas as pd
from  pyecharts import Bar,WordCloud,Pie
df=pd.read_excel(r'C:UsersAdministratorDesktop销售数据.xlsx')
df=df[['订单号','订单日期','顾客姓名','销售额']]
df=df.groupby(['订单号','订单日期','顾客姓名'])['销售额'].agg([np.sum]).reset_index()
df=df[['订单日期','顾客姓名','sum']].rename(columns={'sum':'销售额'})
df['距今']=(pd.to_datetime('today')-df['订单日期']).dt.days
R0=df.groupby(by=['顾客姓名'])['距今'].aggregate([('最近一次消费','min')])
F0=df.groupby(by=['顾客姓名'])['顾客姓名'].aggregate([('消费频次','count')])
M0=df.groupby(by=['顾客姓名'])['销售额'].aggregate([('消费金额','sum')])
rfm= pd.merge(pd.merge(R0,F0,on='顾客姓名',how='right'),M0,on='顾客姓名',how='right')
#rfm = R0.join(F0).join(M0)
#rfm=pd.concat([R0,F0,M0],axis=1)
bins = rfm.最近一次消费.quantile(q=np.linspace(0,1,6),interpolation='nearest')  
bins[0] =0
labels =[5, 4, 3, 2, 1]  
R1 = pd.cut(rfm.最近一次消费,bins,labels=labels);
bins = rfm.消费频次.quantile(q=np.linspace(0,1,6),interpolation='nearest')  
bins[0]=0
labels=[1,2,3,4,5] 
F1 = pd.cut(rfm.消费频次,bins,labels=labels);
bins = rfm.消费金额.quantile(q=np.linspace(0,1,6),interpolation='nearest')  
bins[0]=0
labels=[1, 2, 3, 4, 5]  
M1 = pd.cut(rfm.消费金额,bins,labels=labels);
rfm['R1']=R1  
rfm['F1']=F1  
rfm['M1']=M1
rfm['RFM'] =0.2*R1.astype(int) + 0.3*F1.astype(int) + 0.5*M1.astype(int)
bins = rfm.RFM.quantile(q=[0,0.125,0.25,0.375,0.5,0.625,0.75,0.875,1],interpolation='nearest')  
bins[0] =0
labels =  ['流失客户','一般维持客户','一般发展客户','潜力客户','重要挽留客户','重要保持客户','重要发展客户','重要价值客户']
rfm['用户分层'] = pd.cut(rfm.RFM,bins,labels=labels)
df1=rfm.reset_index().dropna()
df1=df1.pivot_table('顾客姓名',index='用户分层',aggfunc='count')
df1=df1.rename(columns={'顾客姓名':'人数'}).reset_index()
bar = Bar(title = "客户分层分布图",width = 600,height = 400)
bar.add(name ="分布",x_axis=df1['用户分层'],y_axis=df1['人数'],
       is_datazoom_show=True,is_label_show=True)
bar.render('客户分层分布图.html')
bar

对的，复制上面代码，你就可以得到最终可视化结果图，是不是很简单呢？

 

— 5 —

写在后面

RFM模型应用非常广泛，无论是传统公司还是互联网公司，都可以进行。

同时，RFM模型也非常灵活，你可以对模型进行修正运用，比如在R、F、M上再加一些别的元素，有的公司折扣比较多，你就可以把折扣因素加上来。

另外你可能觉得客户划分成8个类型有点多，没这个必要，那么你可以只分成5类也未尝不可。只要符合实际业务就行。比如你可以把靠后的三个类型直接归结为低价值客户。

还要说明的是，RFM模型在分组贴标签的操作中也有不同的方法，比如我这里是用分位数方法，但是还有的应用中会选择平均数方法。不过我个人觉得，平均数方法做出来的数据并不那么准确。

最后说几句：

Python学习是个永无止境的过程。只要是技术，就越精越好。

这就要求我们要不断去实践，站在岸上学不会游泳，你只要亲自找数据做分析了，你才会不断碰壁，不断遇到困难，接下来你就会想办法解决这些问题，你的技术就在这个过程中慢慢变成熟了。