RFM分析模型——用户生命周期解析

01 | RFM定义

数据分析的主要任务就是通过数据驱动来优化业务，以实现帮助业务挣钱。实现方式主要是通过对数据的分析，针对性地优化业务中的各个板块的数据。
近几年来，精细化运营、增长黑客成为热门的词汇，其核心就是针对用户行为分析，优化用户指标。作为分析方法论，RFM模型特别具有代表性。

• R（Recency）——R 代表最近购买日期与指定日期的间隔天数
• F（Frequency）——F客户在最近一段时间内交易次数活跃度
• M（Monetray）——M客户最近一段时间内交易金额值

02 | RFM模型

• RFM模型可以对用户的价值做一个合理的预估，基于一个理想的客户特征来衡量现实中客户价值的高低
• 通过此类分析，定位最有可能成为品牌忠诚客户的群体，让我们把主要精力放在最有价值的用户身上

03 | 场景构建

生命周期(Life Cycle)的概念应用很广泛，在心理学上主要是指人的生命周期和家庭的生命周期，是指它的出生、成长过程、衰老、生病和死亡的过程。引申到用户身上就是：

• 基于"用户-场景-产品"场景来理解的话，生命周期指的就是用户从注册进入平台，购买产品 / 使用产品 这一循环过程，而用户的流失就是生命周期的结束。
• 用户生命周期，也可理解为用户从第一次购买到最后一次购买间隔的时间。

RFM分析模型可以把用户生命周期分成不同的阶段。由于行业和品类的特殊性，划分阶段的标准不是唯一的。实际上应该根据业务场景构建不同的指标体系。
为了方便理解，我们通过例子构建一个场景：

• 新生用户（R < 360，F < 4）
  360 天内购买不超过 4 次，那么我们定义为新生客户。
• 有效用户（R < 360，4 ≤ F < 7）
  360 天内购买了 4 到 6 次，那么我们定义为有效客户。
• 活跃用户（R < 360，7 ≤ F < 10）
  360 天内购买了 7 到 9 次，那么我们定义为活跃客户。
• 忠诚用户（R < 360，F ≥ 10）
  360 天内购买了 10 次或 10 次以上，那么我们定义为忠诚客户。
• 休眠用户（360 ≤ R < 720）
  360 天到 720 天内没有再购买，那么我们定义为休眠客户。
• 流失用户（R ≥ 720 ）
  超过 720 天都没有再购买，那么我们定义为流失客户。

事实上，客户生命周期通常不像这么简单地划分。比如一些生命周期较短地互联网产品（比如手游），它的增长期可能只有最初的几个月。那么可能两周内不登陆游戏的用户就可能杯定义为休眠用户，超过1~2个月没登陆游戏的用户，基本上可以定义为流失用户

04 | 案例-user划分

1.数据集

数据集是来自kaggle的数据集
https://www.kaggle.com/regivm/retailtransactiondata

'''
1.读取数据集
'''
import pandas as pd

df = pd.read_csv(r'../input/retailtransactiondata/Retail_Data_Transactions.csv')
df.head()

# 查看trans_date的格式，发现是object，需要改为时间序列
df.info()

2.数据预处理

import datetime as dt
df.trans_date  = pd.to_datetime(df.trans_date)
df.info()

# 计算r、m、f的值，先构建r值
# 通过检查最新购买的日期，来定义今天的日期
df.trans_date.min()
# Timestamp('2011-05-16 00:00:00')

df.trans_date.max()
# Timestamp('2015-03-16 00:00:00')

# 用户最新购买的日期为2015-03-16，那我们就把今天的日期定义为3-17
df.trans_date[:10]