pandas---RFM模型

最新推荐文章于 2025-07-07 14:51:18 发布
最新推荐文章于 2025-07-07 14:51:18 发布
阅读量1k 收藏 4
点赞数
CC 4.0 BY-SA版权
分类专栏： 数据分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43158056/article/details/98871967
本文介绍RFM模型在客户价值分析中的应用，包括最近一次消费、消费频率和消费金额的量化评估，通过聚类分析实现客户分类，以及如何利用RFM模型进行客户价值打分。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

RFM模型

什么是RFM模型

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有3个神奇的要素，这3个要素构成了数据分析最好的指标：

  • 最近一次消费 (Recency): 客户最近一次交易时间的间隔。R值越大，表示客户交易距今越久，反之则越近；
  • 消费频率 (Frequency): 客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则不够活跃；
  • 消费金额 (Monetary): 客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则越低。

RFM实践应用

1、前提假设验证

RFM模型的应用是有前提假设的，即R、F、M值越大价值越大，客户未来的为企业带来的价值越大。这个前提假

设其实已经经过大量的研究和实证，假设是成立的。不过为了更加严谨，确保RFM模型对于特殊案例是有效的，

本文还进行了前提假设验证：
ps：Frequency、Monetary均为近6个月内的数据，即1-6月数据；

利用相关性检验，验证假设：

  • 最近购买产品的用户更容易产生下一次消费行为

  • 消费频次高的用户，用户满意度高，忠诚度高，更容易产生下一次消费行为

  • 消费金额高的用户更容易带来高消费行为

2、RFM分级

简单的做法，RFM三个指标以均值来划分，高于均值的为高价值、低于均值的为低价值，如此可以将客户划分为8大类：
在这里插入图片描述
本文采取的方法是将三个指标进行标准化，然后按照分为数划分为5个等级，数值越大代表价值越高；当然最终划分的规则还是要结合业务来定。划分为5个等级后，客户可以细分为125种。

#读取数据
rfm<-read.csv('~/desktop/rfm1_7.csv',header=TRUE)
summary(rfm)
#数据分布
par(mfrow=c(1,3))
boxplot(rfm$rankR1) 
boxplot(rfm$rankF1) 
boxplot(rfm$rankM1)
#rfm分级
breaks1<-quantile(rfm$Recency, probs = seq(0, 1, 0.2),names = FALSE)
breaks1<-c(1,14,30,57，111,181) #以流失用户的定义来设置分级 30天以上为流失用户
breaks2<-quantile(rfm$Frequency, probs = seq(0, 1, 0.2),names = FALSE)
breaks2<-c(1,2,3,6,14,164) 
breaks3<-quantile(rfm$Monetary, probs = seq(0, 1, 0.2),names = FALSE)
rfm$rankR1<- cut(rfm$Recency,breaks1, 5,labels=F)
rfm$rankR1<- 6-rfm$rankR1
rfm$rankF1<- cut(rfm$Frequency,breaks2, 5,labels=F)
rfm$rankM1<- cut(rfm$Monetary,breaks3, 5,labels=F)

3、客户分类

本文采用K-means聚类进行分类，聚类结果结合业务划分为4大类：

  • Cluster1:价值用户R、F、M三项指标均较高；

  • Cluster2，3：用户贡献值最低，且用户近度（小于2）和频度较低，为无价值客户；

  • Cluster4:发展用户，用户频度和值度较低，但用户近度较高，可做up营销；

  • Cluster5:挽留客户，用户近度较低，但频度和值度较高，需采用挽留手段

k值选择:

在这里插入图片描述

聚类结果：

在这里插入图片描述

#聚类
df<-rfm[,c(6,7,8)]
p1<-fviz_nbclust(df, kmeans, method = "wss")
p2<-p1 + geom_vline(xintercept = 5, linetype = 2)
km_result <- kmeans(df, 5)
dd <- cbind(rfm,df, cluster = km_result$cluster)
##查看每一类的数目
table(dd$cluster)
picture<-fviz_cluster(km_result, df, geom = "point")
####聚类结果解释####
rfm_final <- within(dd,{Custom = NA
Custom[cluster == 1] = '高价值客户'  
Custom[cluster == 2 ] = '无价值客户' 
Custom[ cluster == 3] = '无价值客户'  
Custom[cluster == 4] = '重点发展客户'    
Custom[cluster == 5] = '重点挽留客户'  
})

4、RFM打分

步骤3，我们将客户划分为四大类，其实如果一类客户中还有大量的客户，此时为了精细化营销，可以根据RFM进行加权打分，给出一个综合价值的分。这里，运用AHP层次分析法确定RFM各指标权重：

客户价值RFM_SCORE= 0.25rankR + 0.20rankF+0.55*rankM

AHP层次分析法（专家打分法）

在这里插入图片描述

总结

上述客户分类其实比较粗旷，真正在面对千万级客户量时，如此划分为四大类是难以满足运营需求的。运营中，还需要综合CRM中其他指标、维度。

ps：后续作者利用RFM客户价值得分进行潜在客户挖掘，尝试利用决策树等模型挖掘平台潜在客户特征。

简单实例

import pandas as pd
import numpy as np
import time

#todo 读取数据
data = pd.read_csv('RFM_TRAD_FLOW.csv',encoding='gbk')
# print(ret)

# todo RFM------>R(最近一次消费)

#todo 时间与字符串相互转换
data['time'] = data['time'].map(lambda x:time.mktime(time.strptime(x,'%d%b%y:%H:%M:%S')))
# print(data)
# todo 分组
groupby_obj = data.groupby(['cumid','type'])
# for name,data in groupby_obj:
#     print(name)
#     print(data)
# todo 取值
R = groupby_obj[['time']].max()
# print(
# todo 转为透视表
r_trans = pd.pivot_table(R,index='cumid',columns='type',values='time')
# print(data_trans)
# todo 替换缺失值 有缺失值，替换成最远的值
r_trans[['Special_offer','returned_goods']] = r_trans[['Special_offer','returned_goods']].apply(lambda x:x.replace(np.nan,min(x)),axis = 0)
# print(data_trans)
r_trans['r_max'] = r_trans.apply(lambda x:sum(x),axis=1)
# print(r_trans)


# todo RFM------>F(消费频率)
# 取值
F =groupby_obj[['transID']].count()
# print(F)
#转为透视表
f_trans = pd.pivot_table(F,index='cumid',columns='type',values='transID')
# print(f_trans)
#替换缺失值
f_trans[['Special_offer','returned_goods']]= f_trans[['Special_offer','returned_goods']].fillna(0)
# print(f_trans)
#
f_trans['returned_goods'] = f_trans['returned_goods'].map(lambda x:-x)
# print(f_trans)
f_trans['f_total'] = f_trans.apply(lambda x:sum(x),axis=1)
# print(f_trans)


# todo RFM------>M(消费金额)

# 取值
M =groupby_obj[['amount']].sum()
# print(M)
#转为透视表
m_trans = pd.pivot_table(M,index='cumid',columns='type',values='amount')
# print(f_trans)
#替换缺失值
m_trans[['Special_offer','returned_goods']]= m_trans[['Special_offer','returned_goods']].fillna(0)
# print(f_trans)
#
m_trans['m_total'] = m_trans.apply(lambda x:sum(x),axis=1)
# print(m_trans)

# 合并
RFM=pd.concat([r_trans["r_max"],f_trans['f_total'],m_trans['m_total']],axis=1)
print(RFM)

r_score = pd.cut(RFM.r_max,3,labels=[0,1,2])
f_score = pd.cut(RFM.r_max,3,labels=[0,1,2])
m_score = pd.cut(RFM.r_max,3,labels=[0,1,2])
RFM客户价值分类模型应用
qq_21318167的博客
11-05 1万+
一、RFM模型概述 RFM模型广泛应用于用户运营之中，是衡量当前用户价值和和客户潜在价值的重要工具和手段。RFM模型主要有如下三个指标： R：Recency —— 客户最近一次交易时间的间隔。R值越大，表示客户交易距今越久，反之则越近； F：Frequency—— 客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则不够活跃； M：Monetary —— 客户在最近一段时间...
基于RFM模型的客户价值分析
weixin_45562030的博客
08-30 1473
一、提出问题 公司的客户中，哪些是高价值客户，哪些是低价值客户呢？针对不同的客户群体，可以采取哪些相对应的运营策略？ 分析思路：利用RFM模型划分客户群体。 导入常用库并配置参数 import time import datetime import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt plt.figure(figsize=(10,5)) 二、数据提取 1 提
什么是RFM模型
最新发布
走过冬季
07-07 421
三个黄金维度，高效地将母婴用户划分为不同价值等级（如 VIP、需挽留、潜力用户等），为后续的精准营销（如 VIP 专属服务、流失用户召回、潜力用户转化）提供了最基础也是最关键的决策依据。在面试中阐述清楚 RFM 的原理、应用过程和你的优化点，会是非常有力的加分项。RFM 模型是客户价值分析中一种经典且实用的量化模型，它通过三个关键维度评估用户价值，帮助企业识别最有价值的客户群体。RFM 模型是你简历中“用户价值分层模型构建”职责的核心工具。(注：↑表示得分高/值优，↓表示得分低/值差)
客户价值分析之RFM模型
xiaobai_yizhi的博客
07-15 1819
RFM模型介绍 RFM模型的Excel/Python实现 首先计算出用户的在投时长（月），取数日：2016/7/20 R :最近一次投资距取数日天数 F：月均投资次数 M-月均投资金额 Python实现RFM及聚类分析 1）读取数据 #读取文件 import os import pandas as pd os.getcwd() #查看当前文件路径 os.chdir(r'E:\turing\工作\python代码') #更改文件路径为某一文件夹 #读取excel文件 data = pd.read_ex
Python pandas RFM模型应用实例详解
09-18
主要介绍了Python pandas RFM模型应用,结合实例形式详细分析了pandas RFM模型的概念、原理、应用及相关操作注意事项,需要的朋友可以参考下
案例（一） 利用RFM模型做用户价值分析
weixin_42438712的博客
01-19 5928
同步更新在个人网站：http://www.wangpengcufe.com/machinelearning/python-python1/ 一、案例背景 在产品迭代过程中，通常需要根据用户的属性进行归类，也就是通过分析数据，对用户进行归类，以便于在推送及转化过程中获得更大的收益。 本案例是基于某互联网公司的实际用户购票数据为研究对象，对用户购票的时间，购买的金额进行了采集，每个用户用手机号来区别...
Python示例源码-数据分析-客户价值分析--用python实现RFM模型-大作业.zip
05-25
RFM模型是一种客户价值分析工具，它通过三个维度来评估客户的商业价值：最近一次购买时间（Recency）、购买频率（Frequency）、购买金额（Monetary）。在数据分析师的工作中，通过RFM模型可以有效地划分客户群体，为...
Pandas实战-RFM用户分析模型（学习笔记）
GISer_Chang的博客
10-05 548
RFM模型是用来衡量客户价值的工具，该模型通过一个客户的近期购买行为（Recency）、购买的总体频率（Frequency）和消费金额（Monetary）三项指标来分析顾客的价值状况。
K-Means聚类分析--RFM模型
lau的博客
01-14 7429
1 项目介绍 携程作为中国领先的综合性旅行服务公司，每天向超过2.5亿会员提供全方位的旅行服务，在这海量的网站访问量中，我们可分析用户的行为数据来挖掘潜在的信息资源，进行用户画像，从而提供更好的运营服务和完善产品设计，提升用户体验。 2 数据准备 2.1数据集来源： 携程旅行网: 云海竞赛平台 数据集包括：训练集和测试集。训练集为2016.05.15-2016.05.21期间一周的访问数据，测试集为2016.05.22-2016.05.28期间一周的访问数据。本篇文章主要讨论的是聚类分析，所以只用训练集。
RFM用户分层（pandas）
m0_74430631的博客
03-25 406
RFM是典型的用户分层方法，是评估用户消费能力、衡量用户贡献价值的重要工具。RFM代表的是最近一次消费时间间隔（Recency）、消费频率（Frequency）和消费金额（Monetary）。本案例将利用Pandas建立用户消费RFM模型，实现精细化运营。
RFM顾客分类方法及模型
01-23
Recency：理论上，上一次消费时间越近的顾客应该是比较好的顾客，对提供即时的商品或是服务也最有可能会有反应。如果我们能让消费者购买，他们就会持续购买。  Frenquency：消费频率是顾客在限定的期间内所购买的次数。我们可以说最常购买的顾客，忠诚度相对高于其它顾客。  Monetary：消费金额的意义不言而喻。
数据分析_基于Pandas的用户分层RFM模型
goufeng93的博客
04-14 1350
数据分析 基于Pandas的用户分层RFM模型。
基于RFM模型的客户分析
WIFI下的365
05-14 2854
客户RFM模型分类 客户类型 最近一次交易距离观测窗口的天数（黏性） 累计交易频次（忠诚度） 累计交易成交额（消费能力） 对应场景 重要价值客户 + + + RFM都很大，优质客户 重要召回客户 - + + 成交量和成交额都很大，但是最近没有交易，需要召回 重要发展客户 + - + 成交额大，最近有交易，需要重点识别 重要挽留客户 - - + 成交额大，潜在的价值客户，需要挽留 潜力客户 + + - 成交量大，且最近有交易，需要挖掘 新客户 + - - 最近有交易，是新客
RFM模型
Txixi的博客
02-18 8416
前言 RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。 一、RFM模型 R (Recency)：指用户的最近一次消费时间，简单来说就是用户最后一次下单时间距今天有多长时间了，这个指标与用户流失和复购直接相关。 F(Frequency)：指用户下单频率，简单来说就是用户在固定的时间段内消费了几次。这个指标反映了用户的消费活跃度。 M(
RFM模型(大厂常用模型)
kakaely的博客
08-26 654
RFM模型是衡量客户价值和客户创利能力的重要工具和手段。在众多的客户关系管理(CRM)的分析模式中，RFM模型是被广泛提到的。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该客户的价值状况。 根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有3个神奇的要素，这3个要素构成了数据分析最好的指标： 最近一次消费 (Recency) 消费频率 (Frequency) 消费金额 (Monetary) ...
python基础教程：Python pandas RFM模型应用实例详解
python基础学习教程
03-10 5006
这篇文章主要介绍了Python pandas RFM模型应用,结合实例形式详细分析了pandas RFM模型的概念、原理、应用及相关操作注意事项,需要的朋友可以参考下 文章目录什么是RFM模型RFM实践应用1、前提假设验证2、RFM分级4、RFM打分 本文实例讲述了Python pandas RFM模型应用。分享给大家供大家参考，具体如下： 什么是RFM模型 根据美国数据库营销研究所Arthur ...
ps-rfm
03-08
### PS-RFM 技术概述 PS-RFM 是一种用于客户细分的技术方法，它扩展了传统的 RFM (Recency, Frequency, Monetary) 模型，在此基础上加入了更多的维度来更全面地评估客户的购买行为和价值。这种方法不仅考虑了最近一次购买的时间、购买频率以及消费金额，还可能引入其他因素如产品偏好等，从而提供更加细致入微的市场洞察[^1]。 为了确保开发和测试人员能够理解该技术的应用场景及其实现细节，建议编写详细的文档说明如何应用此模型进行数据分析工作。当有新的需求或者算法调整时，应及时更新这些材料并向相关人员传达变化内容。 关于是否允许同一个客户被分配到多个不同的群组之中，这取决于具体应用场景的需求设定。如果业务逻辑支持的话，确实存在所谓的“可重叠”的聚类情况；反之则为排他性的分类方式[^2]。 针对希望获取更多有关 PS-RFM 的学习资料这一诉求： - 可以访问学术数据库如 IEEE Xplore 或 Google Scholar 寻找最新的研究成果； - 访问 GitHub 平台寻找开源项目实例作为参考； - 加入专业的在线社区论坛交流经验心得； - 查阅商业智能领域内的知名博客文章了解行业动态和发展趋势。 ```python import pandas as pd from sklearn.cluster import KMeans def ps_rfm_analysis(dataframe): """ 对给定的数据框执行简单的RFM分析 参数: dataframe (pd.DataFrame): 包含交易记录的数据集 返回: rfm_scores (pd.DataFrame): 各个用户的RFM得分表 """ # 数据预处理... kmeans = KMeans(n_clusters=5).fit(rfm_data) labels = kmeans.labels_ return pd.concat([rfm_data, pd.Series(labels)], axis=1) ```
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值