不到70行Python代码，轻松玩转RFM用户分析模型

RFM模型中打分一般采取5分制，有两种比较常见的方式，一种是按照数据的分位数来打分，另一种是依据数据和业务的理解，进行分值的划分。这里希望同学们加深对数据的理解，进行自己的分值设置，所以讲述过程中使用的是第二种，即提前制定好不同数值对应的分值。

R值根据行业经验，设置为30天一个跨度，区间左闭右开：

F值和购买频次挂钩，每多一次购买，分值就多加一分：

我们可以先对M值做个简单的区间统计，然后分组，这里我们按照50元的一个区间来进行划分：

这一步我们确定了一个打分框架，每一位用户的每个指标，都有了与之对应的分值。

04 分值计算

分值的划分逻辑已经确定，看着好像有点麻烦。下面我们有请潘大师(Pandas)登场，且看他如何三拳两脚就搞定这麻烦的分组逻辑，先拿R值打个样:

沧海横流，方显潘大师本色，短短一行代码就搞定了5个层级的打分。Pandas的cut函数，我们复习一下：

• 第一个参数传入要切分的数据列。
• bins参数代表我们按照什么区间进行分组，上面我们已经确定了R值按照30天的间隔进行分组，输入[0,30,60,90,120,1000000]即可，最后一个数值设置非常大，是为了给分组一个容错空间，允许出现极端大的值。
• right表示了右侧区间是开还是闭，即包不包括右边的数值，如果设置成False，就代表[0,30)，包含左侧的分组数据而不含右侧，若设置为True，则是[0,30]，首尾都包含。
• labels和bins切分的数组前后呼应，什么意思呢?bins设置了6个数值，共切分了5个分组，labels则分别给每个分组打标签，0-30是5分，30-60是4分，依此类推。

接着，F和M值就十分容易了，按照我们设置的值切分就好：

第一轮打分已经完成，下面进入第二轮打分环节。

客官不要紧脏，面试都还不止两轮呢，伦家RFM模型哪有那么随便的。

现在R-SCORE、F-SCORE、M-SCORE在1-5几个数之间，如果把3个值进行组合，像111，112，113...这样可以组合出125种结果，过多的分类和不分类本质是一样的。所以，我们通过判断每个客户的R、F、M值是否大于平均值，来简化分类结果。

（编辑：惠州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!