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:
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! |