数据分析方法和思维—RFM用户分群

刺骨的言语ヽ痛彻心扉 2023-01-02 13:24 195阅读 0赞

写在前面

在运营场景中, 经常需要对用户进行分层, 把整体的用户分层不同的层次的用户, 然后针对不同层次的用户采取不同的运营策略, 也被称作精细化运营。但是如何运用科学的方法对用户进行划分呢。

经常遇到的例子是这样的, 比如针对抖音的打赏的用户, 把这些用户按照不同的价值度进行划分, 然后针对不同价值的用户发放不同的优惠套路, 比如充值多少优惠多少

经常产品就会按照单一的月付费次数规则去划分, 比如如下, 我们就可以得到三种不同价值的用户, 这种划分的方法简单来看是没有大问题的, 但是对于数据分析师来说并不是科学的方法。

![format_png][]

主要的缺点有两个, 首先是只用单一的付费次数来衡量用户的价值度, 没有考虑用户的付费金额, 一个用户假如付费的次数很频繁, 但付费的金额小, 那么他的价值度可能不如另外一个用户付费次数小于他的 但付费金额比他高很多。

另外人为定的划分的标准比如用付费次数 10, 100作为两个划分的临界点, 没有科学性, 很容易分出来的几乎绝大多数都变成高价值的用户, 这样肯定是不合理的。

一般来说, 肯定是高价值的用户的数量远远小于低价值的用户, 但这种数量是跟我们划分的标准紧密相关的, 不同的人定的划分的数值标准是不一样的, 那么定出来的高价值和低价值的差别就会较大, 所以我们需要去用一种科学的, 通用的划分方法去做用户分群。

而RFM作为用户价值的划分的经典模型, 就可以解决这种分群的问题。

什么是RFM

![format_png 1][]

RFM 模型是利用 R, F, M 三个特征去对用户进行划分的。

其中R是表示最后一次付费的日期距离现在的时间, 比如你在 12月20号给一个主播打赏过, 那么到现在的距离的天数是5 那么R就是5, R是用来刻画用户的忠诚度, 一般来说R越小, 代表用户上一次刚刚才付费的, 这种用户的忠诚度比较高。

F是表示一段时间的付费频次, 也就是比如一个月付费了多少次, 这个是用来刻画用户付费行为的活跃度, 我们认为用户的付费行为频次越高, 一定程度上代表他的价值度

M是表示一段时间的付费金额, 比如一个月付费了10000元, M=10000， M主要是用来刻画用户的土豪程度。

以上我们就从用户的忠诚度, 活跃度, 土豪度三个方面去刻画一个用户的价值度。

根据RFM的值, 我们就可以把用户划分为以下不同的类别：

重要价值用户: R 低, F 高, M 高, 这种用户价值度非常高, 因为忠诚度高, 付费频次高, 又很土豪

重要召回用户: R 低, F 低 M 高, 因为付费频次低, 但金额高, 所以是重点召回用户

重要发展用户: R 高, F 低, M 高 因为忠诚度不够, 所以需要大力发展

重要挽留用户: R 高 F 低 M高  因为 忠诚度和活跃度都不够 很容易流失 所以需要重点挽留

还有四种其他用户就不一一列举

![format_png 2][]

RFM如何进行用户分群

1.首先是利用sql 计算 每一个用户的 R， F, M， 最终得到的数据格式如下

![format_png 3][]

2. 读取数据和查看数据

pay_data= pd.read_csv('d:/My Documents/Desktop/train_pay.csv')
    # 路径名 'd:/My Documents/Desktop/train_pay.csv' 填写你自己的即可
    pay_data.head()  # 查看数据前面几行

3. 选取我们要聚类的特征

pay_RFM = pay_data[['r_c','f_c','m_c']]

4. 开始聚类, 因为我们用户分群分的是八个类别, 所以k =8

# 创建模型
    model_k = KMeans(n_clusters=8,random_state=1)
    # 模型训练
    model_k.fit(pay_RFM)
    # 聚类出来的类别赋值给新的变量 cluster_labels
    cluster_labels = model_k.labels_

5. 对聚类的结果中每一个类别计算 每个类别的数量 最小值 最大值 平均值等指标

rfm_kmeans = pay_RFM.assign(class1=cluster_labels)
    num_agg = {'r_c':['mean', 'count','min','max'], 'f_c':['mean', 'count','min','max'],'m_c':['mean','sum','count','min','max']}
    rfm_kmeans.groupby('class1').agg(num_agg).round(2)

![format_png 4][]

6. 把聚类出来的类别和用户id 拼接在一起

pay_data.assign(class1=cluster_labels).to_csv('d:/My Documents/Desktop/result.csv',header=True, sep=',')

下面就是最终结果, label 表示用户是属于哪一个细分的类别

![format_png 5][]

RFM模型的应用

重要价值客户：占比11.7%，处于正常水平，RFM都很大，对这部分优质客户要特殊保护

重要唤回客户：占比13.28%，交易金额和次数多，但最近无交易，需要运营/业务人员对其进行唤回（可用红包、奖励、优惠券等方式）

重要深耕客户：占比16.12%，该类客户占比最多，近期有交易且平均交易金额也多，交易频次低，所以需要对其识别后进行个性化推荐，增加用户付费次数，提高粘性

重要挽留客户：占比9.02%，该类客户占比最少，交易金额多于平均值，其付费能力较强，但最近无消费、消费频率低，可能是我们的潜在客户或易流失客户，可以找到该部分用户让其给出反馈建议等

潜力客户：占比11.11%，交易次数多近期也有消费，但整体消费金额低，可能是对价格较敏感或付费能力不足，可对该部分用户进行商品关联推荐

新客户：占比14.79%，最近有消费，交易频率和金额也不高，可对该部分用户增加关怀，推送优惠信息，增加粘性

一般维持客户：占比13.7%，累计单数高，近期无消费，交易金额不高，该部分客户可能快要流失，可低成本营销

流失客户：占比10.28%,三项指标均低于平均值，已经流失，有可能不是目标客户，若经费有限可忽略此类用户

[format_png]: /images/20221119/00ae7e7230b3425782e802648315ede5.png
[format_png 1]: /images/20221119/3124318786e04d07ab946776e3d2f380.png
[format_png 2]: /images/20221119/9f1a8fc1dc3b47ecaaf0029025f076f1.png
[format_png 3]: /images/20221119/617ffa3074454c9e855ec777405f8906.png
[format_png 4]: /images/20221119/ddbae7393e8c4ad0b748639af27e84ab.png
[format_png 5]: /images/20221119/b1f959f72e2f48368335b2731bcf168a.png