Python使用RMF聚类分析客户价值，,投资机构或电商企业等

Python使用RMF聚类分析客户价值，,投资机构或电商企业等

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]

Python使用RMF聚类分析客户价值