当前位置：极客教程 > Pandas > Pandas 教程 > 使用Python进行RFM分析

使用Python进行RFM分析

使用Python进行RFM分析

在这篇文章中，我们将看到使用Python的Recency, Frequency, Monetary value分析。但首先，让我们简单了解一下RFM分析。

什么是RFM分析？

RFM是指经常性、频率、货币价值。在商业分析中，我们经常使用这个概念将客户分为不同的部分，如高价值客户、中价值客户或低价值客户，以及类似的许多其他客户。

让我们假设我们是一家公司，我们的公司名称是geek，让我们对我们的客户进行RFM分析

1.经常性。客户最近与我们进行了多少次交易
2.频率。客户从我们这里订购/购买某种产品的频率是多少？
3.货币。客户花多少钱从我们这里购买产品。

开始

加载必要的库和数据

这里我们将导入所需的模块（pandas、DateTime和NumPy），然后读取数据框中的数据。

使用的数据集： RFM

# importing necessary libraries
import pandas as pd
import datetime as dt
import numpy as np
 
# importing the data
df = pd.read_excel( < my excel file location > )
df.head()
Python

使用Python进行RFM分析

计算过去的时间

在这里，我们计算的是曾在某公司购买过的客户的经常性。

df_recency = df.groupby(by='Customer Name',
                        as_index=False)['Order Date'].max()
df_recency.columns = ['CustomerName', 'LastPurchaseDate']
recent_date = df_recency['LastPurchaseDate'].max()
df_recency['Recency'] = df_recency['LastPurchaseDate'].apply(
    lambda x: (recent_date - x).days)
df_recency.head()
Python

使用Python进行RFM分析

计算频率

我们在这里计算的是客户从公司订购/购买某种产品的频繁交易频率。

frequency_df = df.drop_duplicates().groupby(
    by=['Customer Name'], as_index=False)['Order Date'].count()
frequency_df.columns = ['CustomerName', 'Frequency']
frequency_df.head()
Python

使用Python进行RFM分析

计算货币价值

这里我们计算的是客户从公司购买产品所花费的货币价值。

df['Total'] = df['Sales']*df['Quantity']
monetary_df = df.groupby(by='Customer Name', as_index=False)['Total'].sum()
monetary_df.columns = ['CustomerName', 'Monetary']
monetary_df.head()
Python

使用Python进行RFM分析

在一个数据框架中合并所有三栏

在这里，我们使用合并函数将所有的数据框架列合并到一个实体中，以显示经常性、频率、货币价值。

rf_df = df_recency.merge(frequency_df, on='CustomerName')
rfm_df = rf_df.merge(monetary_df, on='CustomerName').drop(
    columns='LastPurchaseDate')
rfm_df.head()
Python

使用Python进行RFM分析

根据客户的经常性、频率和货币分值对其进行排名

在这里，我们将一个公司内的客户排名归一化，以分析排名。

rfm_df['R_rank'] = rfm_df['Recency'].rank(ascending=False)
rfm_df['F_rank'] = rfm_df['Frequency'].rank(ascending=True)
rfm_df['M_rank'] = rfm_df['Monetary'].rank(ascending=True)
 
# normalizing the rank of the customers
rfm_df['R_rank_norm'] = (rfm_df['R_rank']/rfm_df['R_rank'].max())*100
rfm_df['F_rank_norm'] = (rfm_df['F_rank']/rfm_df['F_rank'].max())*100
rfm_df['M_rank_norm'] = (rfm_df['F_rank']/rfm_df['M_rank'].max())*100
 
rfm_df.drop(columns=['R_rank', 'F_rank', 'M_rank'], inplace=True)
 
rfm_df.head()
Python

使用Python进行RFM分析

计算RFM分数

RFM得分是根据经常性、频率、货币价值的正常化等级来计算的。基于这个分数，我们对客户进行划分。在这里，我们以5分制对他们进行评分。用于计算RFM分数的公式是：0.15经常性分数+0.28频率分数+0.57*货币分数

rfm_df['RFM_Score'] = 0.15*rfm_df['R_rank_norm']+0.28 * \
    rfm_df['F_rank_norm']+0.57*rfm_df['M_rank_norm']
rfm_df['RFM_Score'] *= 0.05
rfm_df = rfm_df.round(2)
rfm_df[['CustomerName', 'RFM_Score']].head(7)
Python

使用Python进行RFM分析

根据RFM得分对客户进行评级

  • RFM评分>4.5 : 顶级客户
  • 4.5 > RFM得分 > 4 : 高价值客户
  • 4>RFM得分>3 : 中等价值客户
  • 3>rfm得分>1.6 : 低价值客户
  • rfm评分<1.6 :失去客户
rfm_df["Customer_segment"] = np.where(rfm_df['RFM_Score'] >
                                      4.5, "Top Customers",
                                      (np.where(
                                        rfm_df['RFM_Score'] > 4,
                                        "High value Customer",
                                        (np.where(
    rfm_df['RFM_Score'] > 3,
                             "Medium Value Customer",
                             np.where(rfm_df['RFM_Score'] > 1.6,
                            'Low Value Customers', 'Lost Customers'))))))
rfm_df[['CustomerName', 'RFM_Score', 'Customer_segment']].head(20)
Python

使用Python进行RFM分析

视觉化的客户群体

在这里，我们将使用饼状图来显示所有细分的客户。

plt.pie(rfm_df.Customer_segment.value_counts(),
        labels=rfm_df.Customer_segment.value_counts().index,
        autopct='%.0f%%')
plt.show()
Python

使用Python进行RFM分析

Python教程

Python 教程

Python 教程
Tkinter 教程

Tkinter 教程
Pandas 教程

Pandas 教程
NumPy 教程

NumPy 教程
Flask 教程

Flask 教程
Django 教程

Django 教程
PySpark 教程

PySpark 教程
wxPython 教程

wxPython 教程
SymPy 教程

SymPy 教程
Seaborn 教程

Seaborn 教程
SciPy 教程

SciPy 教程
RxPY 教程

RxPY 教程
Pycharm 教程

Pycharm 教程
Pygame 教程

Pygame 教程
PyGTK 教程

PyGTK 教程
PyQt 教程

PyQt 教程
PyQt5 教程

PyQt5 教程
PyTorch 教程

PyTorch 教程
Matplotlib 教程

Matplotlib 教程
Web2py 教程

Web2py 教程
BeautifulSoup 教程

BeautifulSoup 教程

Java教程

Java 教程

Java 教程

Web教程

HTML 教程

HTML 教程
CSS 教程

CSS 教程
CSS3 教程

CSS3 教程
jQuery 教程

jQuery 教程
Ajax 教程

Ajax 教程
AngularJS 教程

AngularJS 教程
TypeScript 教程

TypeScript 教程
WordPress 教程

WordPress 教程
Laravel 教程

Laravel 教程
Next.js 教程

Next.js 教程
PhantomJS 教程

PhantomJS 教程
Three.js 教程

Three.js 教程
Underscore.JS 教程

Underscore.JS 教程
WebGL 教程

WebGL 教程
WebRTC 教程

WebRTC 教程
VueJS 教程

VueJS 教程

数据库教程

SQL 教程

SQL 教程
MySQL 教程

MySQL 教程
MongoDB 教程

MongoDB 教程
PostgreSQL 教程

PostgreSQL 教程
SQLite 教程

SQLite 教程
Redis 教程

Redis 教程
MariaDB 教程

MariaDB 教程

图形图像教程

Vulkan 教程

Vulkan 教程
OpenCV 教程

OpenCV 教程

大数据教程

R语言 教程

R语言 教程

开发工具教程

Git 教程

Git 教程
VSCode 教程

VSCode 教程
Docker 教程

Docker 教程
Gerrit 教程

Gerrit 教程
Excel 教程

Excel 教程

计算机教程

Go语言 教程

Go语言 教程
C++ 教程

C++ 教程

Pandas 精品教程

登录

找回密码？

注册