数据分析-常用模型-RFM模型

### RFM 用户模型的数据分析方法与实现 #### 一、RFM 模型概述 RFM 是一种用于衡量客户价值和潜在的框架，它基于三个关键指标：最近一次购买时间 (Recency)，购买频率 (Frequency)，以及消费金额 (Monetary)[^1]。 #### 二、数据准备 在实际操作中，可以从客户运营平台或 CRM 软件中提取必要的会员数据。这些数据通常包括但不限于客户的个人信息、最后一次交易的时间戳、累计交易总金额及次数等信息。 #### 三、计算字段 对于每一条记录，需分别计算 R 值（距离今天有多少天未发生过交易）、F 值（该顾客总共进行了多少次有效订单） 和 M 值（此期间内所有订单的商品总价）。这一步骤可以通过简单的 SQL 查询或是 Pandas 库中的 `groupby` 函数轻松完成[^2]。 ```python import pandas as pd # 计算R, F, M值 rfm_df = transactions.groupby('customer_id').agg({ 'order_date': lambda x: (pd.to_datetime('now') - x.max()).days, 'order_id': 'count', 'total_amount': 'sum' }).rename(columns={ 'order_date': 'recency', 'order_id': 'frequency', 'total_amount': 'monetary' }) ``` #### 四、评分机制 根据业务需求设定合理的分段标准给各个维度打分，例如将 R/F/M 的得分范围设为 1 到 5 分不等；之后按照一定的权重加权求和得出综合评价分数，并据此划分不同的客户群体[^3]。 ```python def rfm_score(r, f, m): """自定义评分逻辑""" score_r = ... # 对 recency 打分 score_f = ... # 对 frequency 打分 score_m = ... # 对 monetary 打分 return round((score_r + score_f * 0.7 + score_m * 1.2), 2) rfm_df['rfm_score'] = rfm_df.apply(lambda row: rfm_score(row.recency, row.frequency, row.monetary), axis=1) ``` #### 五、分类标签化处理 最后一步是对上述获得的结果进一步加工，即创建一个映射表来描述不同区间内的具体含义并赋予相应的文字说明作为最终的人群标签。 ```python def classify_customers(score): if score >= 8: return "重要价值客户" elif ... rfm_df['label'] = rfm_df['rfm_score'].apply(classify_customers) ``` 通过以上五个阶段的工作流程，便能够有效地运用 RFM 模型对企业内部庞大的用户数据库展开深入挖掘，从而更好地理解现有用户的特征及其偏好趋势，进而制定更加精准有效的营销策略[^4]。