Python使用RMF聚类分析客户价值
投资机构或电商企业等积累的客户交易数据繁杂。需要根据用户的以往消费记录分析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。
用户分析指标
根据美国数据库营销研究所arthur hughes的研究,客户数据库中有三个神奇的要素,这三个要素构成了数据分析最好的指标
r-最近一次消费(recency)
f-消费频率(frequency)
m-消费金额(monetary)
通过该图将用户进行分类:
r、f、m都很高,重要价值客户(vip客户)
f、m很高,r不高,重要保持客户
r、f、m都很低,流失客户
m很高,r、f不高,重要挽留客户
根据这8个类别的r、f、m指标,对用户进行标注,哪些是重要价值客户,哪些是重要保持客户,哪些是重要发展客户,哪些是流失客户等
流程介绍
以r、f、m这三个核心指标为维度进行聚类分析
利用k-means聚类分析将用户分类
根据r、f、m指标,对用户进行标注
准备工作:
数据:
某电商企业客户近期购买的数据。包含客户注册日期,最后购买日期以及购买消费总金额
参数:
r-求出最近一次投资时间距提数日天数
f-月均投资次数
m-月均投资金额
目标:分析客户交易数据,用户群体的特征与价值,进行精准营销,降低营销成本,提高销售业绩。
1 分析数据获取rfm
r-求出最近一次投资时间距提数日天数
确定一个提现日,减去用户的最新投资日期
f-月均投资次数
总投资次数/总月数
m-月均投资金额
投资总金额/总月数
处理数据获取r-f-m
def datachange(data):
deadline_time = datetime(2016,7,20)
print(deadline_time)
# 时间相减 得到天数查 timedelta64类型
diff_r = deadline_time - data["最近一次投资时间"]
# 渠道具体天数
# days = diff_r[0].days
r = []
for i in diff_r:
days = i.days
r.append(days)
print(r)
'''
用户在投时长(月
python没有直接获取月数差的函数
1、获取用户在投天数
2、月=在投天数/30,向上取整
'''
diff = deadline_time - data["首次投资时间"]
print(diff)
# 利用向上取整函数
months = []
for i in diff:
month = ceil(i.days/30)
months.append(month)
print(months)
# 月均投资次数
month_ave = data["总计投标总次数"]/months
f = month_ave.values
print(f)
# 月均投资金额
m = (data["总计投资总金额"]/months).values
print(m)
return r, m, f
2 训练kmeans模型
先对数据进行转换,然后通过k—means模型训练,生产模型
def analy_data(data, r, m, f):
cdata = dataframe([r, list(f), list(m)]).t
# 指定cdata的index和colums
cdata.index = data.index
cdata.columns = ["r-最近一次投资时间距提数日的天数", "f-月均投资次数", "月均投资金额"]
print("cdata_info:\n", cdata)
print("cdata:\n", cdata.describe())
# k-means聚类分析
# 01 数据标准化 均值:cdata.mean() 标准差:cdata.std()
# 对应位置分别先相减 再相除
zcdata = (cdata-cdata.mean())/cdata.std()
print("zcdata:\n", zcdata)
# n_clusters:分类种数 n_jobs:计算的分配资源 max_iter:最大迭代次数 random_state:随机数种子,种子相同,参数固定
kmodel = kmeans(n_clusters=4, n_jobs=4, max_iter=100, random_state=0)
kmodel.fit(zcdata)
print(kmodel.labels_)
3 通过模型对用户标注
# 统计每个类别的频率
value_counts = series(kmodel.labels_).value_counts()
print(value_counts)
# 将类别标签赋回原来的数据
cdata_rst = pd.concat([cdata, series(kmodel.labels_, index=cdata.index)], axis=1)
print(cdata_rst)
# 命名最后一列为类别
cdata_rst.columns = list(cdata.columns) + ["类别"]
print(cdata_rst)
# 按照类别分组统计r, f, m的指标均值
user_ret = cdata_rst.groupby(cdata_rst["类别"]).mean()
print(user_ret)
'''
r-最近一次投资时间距提数日的天数 f-月均投资次数 月均投资金额
类别
0 27.859375 2.820312 21906.754297
1 20.684211 4.552632 115842.105263
2 10.568182 5.579545 26984.313636
3 12.111111 17.277778 107986.000000
结论:
类别3:r、f、m都比较高,属于重要价值客户 或 超级用户
类别0:r、f、m都比较低,属于低价值客户
类别1:r一般、f一般、m很高,也属于重要价值客户
'''
通过模型对新用户标注
1、获取新用户数据
2、通过和原数据处理获取rfm
3、通过训练模型得出用户类型
def user_classes(cdata, user_info):
'''
# 模拟一条用户数据
1、获取当前时间表示为截止时间
2.计算出: r f m
'''
r, m, f = user_info_change(user_info)
user_data_info = dataframe([[r], [f], [m]]).t
print(user_data_info)
# user_data_info = dataframe([[12.5], [18.0], [20000.0]]).t
user_data_info.index = ["lily"]
user_data_info.columns = cdata.columns
print("cdata_info:\n", user_data_info)
new_zcdata = (user_data_info-cdata.mean())/cdata.std()
print("new_zcdata", new_zcdata)
kmodel = load_model("user_classes.pkl")
ret = kmodel.predict(new_zcdata)
print("new_zcdata_ret:", ret)
# new_zcdata_ret: [3]
推荐阅读
-
Python使用RMF聚类分析客户价值
-
使用httplib模块来制作Python下HTTP客户端的方法
-
Python 使用python-kafka类库开发kafka生产者&消费者&客户端
-
python使用socket向客户端发送数据的方法
-
使用基于Python的Tornado框架的HTTP客户端的教程
-
python使用多线程编写tcp客户端程序
-
python数据分析与挖掘实战---chapter7航空公司客户价值分析
-
python使用pywinauto驱动微信客户端实现公众号爬虫
-
Redis的Python客户端redis-py安装使用说明文档
-
python使用socket创建tcp服务器和客户端