最详细的 Python 结合 RFM 模型实现用户分层实操案例！

分手后的思念是犯贱 2022-10-15 13:51 159阅读 0赞

> 作者：Cherich\_sun  
> 链接：[https://www.jianshu.com/p/f020dfdce58d][https_www.jianshu.com_p_f020dfdce58d]  
> 本文为读者投稿  
> **公众号「`杰哥的IT之旅`」，后台回复：「`RFM数据`」即可获取本文完整数据。**  
> 原文链接：[最详细的 Python 结合 RFM 模型实现用户分层实操案例！][Python _ RFM]

写在最前：做数据分析的小伙伴可能多多少少都知道一些分析方法，但是谈到分析思维却没有底气或者遇到业务问题，不知道如何下手。如果你有上述困惑，那么本篇文章可以作为参考。下图是整理的分析方法论及方法。如果能够灵活运用，将能够解决工作中 80% 以上问题。注意的是，方法论是思维层面，方法是执行层面。那么，重点是我们如何将其应用到实际业务中。本文将以 RFM 模型 为例，运用到实际案例中。（本文以 Python 实现，Excel 也可以。）  
![数据分析思维][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70]  
项目背景：某生鲜外卖APP于2018年1月1日成立，主营新鲜蔬菜瓜果，海鲜肉禽。APP上线后，市场推广期为一年。通过分析发现原来几个重要的客户被竞争对手挖走了，而这几个用户对平台贡献了80%的销售额。之前对所有用户采用一样的运营策略，为了解决这个问题，需要对用户进行分类，了解当前用户分层情况，进行精细化运营。

### 一、整体分析流程 ###

1、分析目的：用户分类  
2、数据获取：Excel 数据  
3、清洗加工：Excel、Python  
4、建立模型：RFM  
5、数据可视化  
6、结论与建议

### 二、RFM 模型的理解 ###

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 1][]  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 2][]  
最终将 RFM 模型处理后的结果，作为用户标签，帮助运营更精准地制定活动规则以提升用户使用黏性，强化用户感知。最终实现的效果图如下：  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 3][]

### 三、利用 Python 实现 RFM 用户分层 ###

1、获取数据

import pandas as pd
    data = pd.read_excel('C:/Users/cherich/Desktop/用户信息.xlsx')
    data.head()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 4][]

data.info()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 5][]  
说明：当前数据集是5000条用户数据，存在缺失值对本次分析不会造成影响。数据清洗，通常包括处理缺失值、重复值、转换数据类型三种。所以仅考虑数据类型即可。这里有个前提条件，R、F、M 应该有一个参照时间，如果活动持续到现在，可以截止到现在。但是我们的数据是历史数据，所以需要查找活动结束时间。

data.sort_values(by='最后一次成交', ascending=False)

![20210525145829197.png][]  
**2、数据处理**

#  活动结束时间  2019-06-30
    data['最后一次成交']=data['最后一次成交'].astype('str')
    stop_date = pd.to_datetime('2019-06-30')
    datas = data.drop(columns=['注册时间','会员开通时间','会员类型','城市','区域','最后一次登陆'])
    datas['最后一次成交时间'] = datas['最后一次成交'].apply(lambda x:x.split()[0])
    
    datas['最后一次成交时间'] = pd.to_datetime(datas['最后一次成交时间'])
    
    datas['R1'] = datas['最后一次成交时间'].apply(lambda x:stop_date-x)
    
    datas['F1'] = datas['非会员累计购买次数']+datas['会员累计购买次数']
    
    datas['M1'] = datas['非会员累计消费'] + datas['会员累计消费']
    datas['R1']= datas['R1'].astype(str)
    datas['R1']= datas['R1'].apply(lambda x:x.split()[0])
    datas

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 6]  
说明：以上操作目的是将R指标由时间类型转换成可计算格式，为接下来建立模型，计算时间间隔做准备。

**3、建立模型**

建立模型，需要分别对F、R、M 分别计算各自的平均值。但是要注意三个指标数据存在极大值、极小值的情况，这对结果会产生一定的误差，所以解决方案是将其标准化，设置分段区间，5分制，5分为最高。（数值区间可根据具体业务灵活调整或者用四分位数）  
![20210525145908671.png][]

def R_score(n):
        n = int(n)
        if 0<n<=80:
            r = 5
        elif 80<n<=160:
            r = 4
        elif 160<n<=240:
            r = 3
        elif 240<n<=320:
            r = 2
        else:
            r = 1
        return r
    
    def F_score(n):
        n = int(n)
        if 0<n<=14:
            r = 1
        elif 14<n<=28:
            r = 2
        elif 28<n<=42:
            r = 3
        elif 42<n<=56:
            r = 4
        else:
            r = 5
        return r
    
    def M_score(n):
        n = int(n)
        if 0<n<=1500:
            r = 1
        elif 1500<n<=3000:
            r = 2
        elif 3000<n<=4500:
            r = 3
        elif 4500<n<=6000:
            r = 4
        else:
            r = 5
        return r
    
    datas['M1_score'] =datas['M1'].apply(M_score)
    datas['F1_score'] =datas['F1'].apply(F_score)
    datas['R1_score'] =datas['R1'].apply(R_score)
    datas.head()

![20210525145945569.png][]  
说明：这里对R、F、M 再求平均值，以平均值为标准，如果单个指标大于平均值，显示1，否则显示0。最终RFM的结果由0和1拼接组成，即可得出用户最终类型。

R_mean = datas['R1_score'].mean()
    F_mean = datas['F1_score'].mean()
    M_mean = datas['M1_score'].mean()
    
    datas['R'] = datas['R1_score'].apply(lambda x: 1 if x> R_mean else 0)
    
    datas['F'] = datas['F1_score'].apply(lambda x: 1 if x> F_mean else 0)
    
    datas['M'] = datas['M1_score'].apply(lambda x: 1 if x> M_mean else 0)
    datas

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 7][]

datas['RFM'] = datas['R'].apply(str)+datas['F'].apply(str)+datas['M'].apply(str)
    datas
    
    def user_tag(rfm):
        if rfm=='000':
            res = '流失用户'
        elif rfm=='010':
            res = '一般维持用户'
        elif rfm=='100':
            res = '新客户'
        elif rfm=='110':
            res = '潜力客户'
        elif rfm=='001':
            res = '重要挽留客户'
        elif rfm=='101':
            res = '重要深耕客户'
        elif rfm=='011':
            res = '重要唤回客户'
        else:
            res = '重要价值客户'
        return res
    datas['user_tag']=datas['RFM'].apply(user_tag)
    datas

![20210525150020882.png][]  
**4、数据可视化**

import matplotlib.pyplot as plt
    import seaborn as sns
    import matplotlib as mpl
    sns.set(font='SimHei',style='darkgrid')
    
    user_tag = datas.groupby(datas['user_tag']).size()
    
    plt.figure(figsize = (10,4),dpi=80)
    
    user_tag.sort_values(ascending=True,inplace=True)
    
    plt.title(label='生鲜平台用户分层对比',
             fontsize=22, color='white',
             backgroundcolor='#334f65', pad=20)
    
    s = plt.barh(user_tag.index,user_tag.values , height=0.8, color=plt.cm.coolwarm_r(np.linspace(0,1,len(user_tag))))
    for rect in s:
        width = rect.get_width()
        plt.text(width+40,rect.get_y() + rect.get_height()/2, str(width),ha= 'center')
    
    plt.grid(axis='y')
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 8][]

groups_b = datas.groupby(by='user_tag').size()
    
    plt.figure(figsize = (10,6),dpi=80)
    plt.title(label='生鲜平台用户分层占比',
             fontsize=22, color='white',
             backgroundcolor='#334f65', pad=20)
    
    explodes = [0.6, 0, 0, 0, 0,0,0.4,0.8]
    
    patches, l_text, p_text = plt.pie(groups_b.values,labels = groups_b.index, shadow=True,colors=plt.cm.coolwarm_r(np.linspace(0,1,len(groups_b))), autopct='%.2f%%', explode=explodes,startangle=370)
    plt.legend(ins,bbox_to_anchor=(2, 1.0))
    plt.show()

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 9][]  
**5、结论与建议**

以上基本完成了RFM模型实现用户分层，可以看出新客户占比30%左右，重要价值客户占比30%左右。两者是平台的最主要用户类型。

接下来就需要结合具体业务来制定运营策略。最后分享的是，现在我们看到最多的招聘需求是具备分析思维。那什么是分析思维。

我的理解是，首先要理解业务，其次要掌握分析方法，要明确分析方法存在的意义是帮助我们将零散业务问题归类，归类的过程形成分析思路，有了分析思路，那你就具备了分析思维。

--------------------

**原创不易，码字不易。 觉得这篇文章对你有点用的话，麻烦你为本文点个赞，留言或转发一下，因为这将是我输出更多优质文章的动力，感谢！**

⬇⬇⬇⬇⬇⬇⬇⬇

[https_www.jianshu.com_p_f020dfdce58d]: https://www.jianshu.com/p/f020dfdce58d
[Python _ RFM]: https://mp.weixin.qq.com/s/YOIhJERCfs19xIFRA44cpQ
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70]: /images/20221014/1c28e789cbd747148ecc8ec624bd03e2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 1]: /images/20221014/068073f526bb4588ac03523aaa5e40a3.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 2]: /images/20221014/01028cd427514960b1c51a4aa56f8c04.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 3]: /images/20221014/4323f579d7bf4b67a0580d7d256fd160.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 4]: /images/20221014/5eb3c20fec7c4d239455ea899ee4090f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 5]: /images/20221014/c61c464bd2c24c02833afba3a9d44f46.png
[20210525145829197.png]: /images/20221014/371ae6a1b2c540f1929bd5087ac3c6cc.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 6]: /images/20221014/c3ddbfa273514154bd4966fca3136425.png
[20210525145908671.png]: /images/20221014/e1cba601135a4249acf3878509f2c2c2.png
[20210525145945569.png]: /images/20221014/a08c98fcecf14d1fb30986a72e1a767f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 7]: /images/20221014/b2bb257e33ec4f98a95cadf0ecd8bb83.png
[20210525150020882.png]: /images/20221014/d0ba6ca60c46456abe2888a0b02f94ba.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 8]: /images/20221014/662458f4a0be4acba28331b73bb808fd.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2pha2VfdGlhbg_size_16_color_FFFFFF_t_70 9]: /images/20221014/ef85f766f8944cafbba79fab3d1cbf8e.png