用戶購買行為RFM標(biāo)簽應(yīng)用案例

隨著數(shù)據(jù)分析的不斷應(yīng)用與發(fā)展，用戶畫像已經(jīng)廣為人知。其中的核心原理就是對用戶進行分群，而用戶分群的主要邏輯就是將數(shù)據(jù)進行標(biāo)簽化。

RFM模型是我們常用來分析客戶價值的數(shù)據(jù)分析模型，使用這個模型分析后配合匹配的營銷方法，能夠讓業(yè)績進行大幅度提升。

RFM模型具有分析結(jié)構(gòu)簡單，易用、數(shù)據(jù)容易獲取等特性，通過這個模型可以衡量客戶價值和創(chuàng)造利潤能力。

通過3個簡單的指標(biāo)，可以將客戶按照價值分成8個類別，從而使用不同的銷售策略提升業(yè)績。

下面給大家介紹一個關(guān)于RFM模型的標(biāo)簽化應(yīng)用案例。

首先拿到數(shù)據(jù)集，導(dǎo)入數(shù)據(jù)集。

然后我們會進行數(shù)據(jù)讀取，看一下數(shù)據(jù)的基本信息數(shù)據(jù)是否有無缺失。

第二步我們將數(shù)據(jù)集進行特征篩選。

首先我們發(fā)現(xiàn)導(dǎo)入的原始數(shù)據(jù)的時間格式有一些問題，因此將時間進行了處理。

通過一些掉包的方式將時間格式處理成了我們想要的時間格式，然后我們將數(shù)據(jù)集進行RFM的計算。

首先，計算R。

因為R是取消費的時間間隔，所以我們?nèi)〕隽嗣總€客戶ID下的最近的一次消費時間，然后定義了一個最大的消費時間，然后與其做相減得出來了每個客戶的最近一次的消費時間間隔。

第二個是計算F。

F是計算客戶對于打折商品的偏好程度。

所以我們將數(shù)據(jù)進行了處理之后，計算出來了特價商品占特價商品跟普通商品的比例，這樣得出來了用戶對于打折商品的用戶的偏好程度。

第三個是計算M。

M是用戶的消費金額，我們將數(shù)據(jù)進行加加減減，最后得出來了用戶關(guān)于特價商品跟普通商品的消費金額。

然后我們將所計算的RFM進行了特征的整合，得出來了每個客戶ID下的RFM具體的數(shù)值。

然后下一步將RFM進行分段打分。

這里給出兩個方法。

一是函數(shù)映射。

我們將數(shù)據(jù)當(dāng)中的RFM進行了等級分箱的處理，然后定義了分段函數(shù)，將每個RFM的值對分段函數(shù)進行比較，得出來了一個01RFM的數(shù)據(jù)集。

第二個方法是利用Python自帶的算法庫。

我們將閾值取出，然后將閾值進行01編碼，最后也是同樣能夠得到RFM的01數(shù)據(jù)。

然后我們將RFM模型定性的輸出，將01進行標(biāo)簽化的處理，從而給用戶打上各種各樣的標(biāo)簽：興趣是否高，價值是否活躍……

我們可以通過這些標(biāo)簽給到業(yè)務(wù)端人員進行更好的營銷活動。

好的，以上就是今天的分享。如果大家還有數(shù)據(jù)分析方面相關(guān)的疑問，就在評論區(qū)留言。

文：CDA資深講師 張藉予