使用Python进行RFM分析

2025年1月5日 | 阅读 7 分钟

作为一名数据分析师、营销人员或项目经理，您深知数据驱动洞察的力量。使用 Python 有效地进行 RFM 分析可以成为这方面的游戏规则改变者。本指南旨在为您提供掌握客户数据全部力量所需的知识和工具。毕竟，您可以提供可操作的见解，将您的组织推向新的高度。在深入探讨之前，让我们先简要概述一下 RFM 分析。

理解 RFM 分析

RFM 方法被广泛用于对绩效分析进行分类。RFM 分析代表了近度、频率和货币分析，广泛用于根据客户的交易行为对客户进行细分。这是一份附带示例的分步指南。

近度 (Recency)
它表示客户最近一次购买的时间。例如，如果您在 3 月 1 日购买了商品，而今天是 4 月 1 日，那么您的近度就是 30 天。
频率
它表示客户订购或购买产品的频率。基本上，这是客户自首次购买日期以来所下的订单数。例如，如果您在 1 月 31 日购买了一件衬衫，在 2 月 15 日购买了一条长裤，那么您的频率就是 2。
货币 (Monetary)
客户在购买上花费了多少。例如，让我们以上述示例为例，我们进行了 2 次购买。衬衫的价格是 10 美元，牛仔裤的价格是 25 美元。您的货币价值是 35 美元。

通过分析每个客户的这三个指标，RFM 分析可以帮助企业识别各种客户细分，例如高价值客户、忠诚客户、有风险客户和休眠客户。这些细分客户可以针对其独特的特征和需求，通过特定的营销策略进行定位。RFM 分析提供了可操作的见解，使企业能够优化营销工作、提高客户保留率并最大化收入。

RFM 分析旨在将客户划分为不同的细分，例如高价值、中等价值或低价值客户。假设我们的公司名为“javaTpoint”，我们将对客户数据执行 RFM 分析。

现在我们理解了近度、频率和货币的价值，可以继续前进。

计算近度

我们计算进行购买的客户的近度。近度是指自上次购买以来的天数。

导入必要的库

import pandas as pd
import numpy as np
import datetime as dt

使用以下代码行读取下载的数据集。

# replace the CSV file with your actual file
df = pd.read_csv("RFM_Analysis.csv")

查看数据框的头部。

完整代码

import pandas as pd
import numpy as np
import datetime as dt

df = pd.read_csv("RFM_Analysis.csv")

df.head()

输出

说明

在上面的代码中，我们首先导入了必要的 pandas、numpy 和 datetime 模块。之后，代码从名为“RFM_Analysis.csv”的 CSV 文件读取数据到名为 'df' 的 Pandas DataFrame 中。

计算近度

我们计算进行购买的客户的近度。近度是指自上次购买以来的天数。

示例

df['Purchase_Date'] = pd.to_datetime(df['Purchase_Date'])

df_recency = df.groupby(by='Customer_Name', as_index=False)['Purchase_Date'].max()

df_recency.columns = ['Customer_Name', 'Purchase_Date']

recent_date = df_recency['Purchase_Date'].max()

df_recency['Recency'] = (recent_date - df_recency['Purchase_Date']).dt.days

df_recency

输出

	Customer_Name	Purchase_Date	Recency
0	Aaron Ross		2024-11-05		56
1	Abigail Martin	2023-06-14		566
2	Addison Gomez	2024-08-25		128
3	Alexander Allen	2024-09-13		109
4	Alexander Powell	2024-12-11		20
...	...	...	...
92	Victoria Foster	2023-08-01		518
93	William Clark	2024-07-07		177
94	William Ward	2024-01-10		356
95	Wyatt Gonzales	2023-07-17		533
96	Zoe Evans		2023-11-20		407
97 rows × 3 columns

说明

上面的代码将 DataFrame 中的 'Purchase_Date' 列转换为 datetime 格式，按 'Customer_Name' 对数据进行分组，查找每个客户的最大购买日期，根据最近的购买日期计算近度，并显示具有客户姓名及其相应近度值的 DataFrame。

计算频率

接下来，计算每个客户的交易频率。

示例

frequency_df = df.drop_duplicates().groupby(by=['Customer_Name'], as_index=False)['Purchase_Date'].count()
frequency_df.columns = ['Customer_Name', 'Frequency']
frequency_df.head()

输出

Customer_Name	Frequency
0	Aaron Ross		1
1	Abigail Martin	1
2	Addison Gomez	1
3	Alexander Allen	1
4	Alexander Powell	1

说明

上面的代码计算 DataFrame 中每个唯一客户姓名的订单频率，删除重复行，按客户姓名对数据进行分组，计算每个客户的订单数量，重命名列，并显示显示客户姓名及其相应订单频率的 DataFrame。

计算货币价值

通过汇总每个客户的总销售额来计算货币价值。

示例

df['Total'] = df['Amount'] * df['Quantity']
monetary_df = df.groupby(by='Customer_Name', as_index=False)['Total'].sum()
monetary_df.columns = ['Customer_Name', 'Monetary']
monetary_df.head()

输出

	Customer_Name	Monetary
0	Aaron Ross		70.25
1	Abigail Martin	5983.25
2	Addison Gomez	2887.62
3	Alexander Allen	4983.11
4	Alexander Powell	2355.69

说明

上面的代码将 DataFrame ('df') 中的 'Sales' 列乘以 'Quantity' 列，并将结果分配给另一个名为 'Total' 的列。然后，它按 'Customer Name' 对 DataFrame 进行聚合，计算每个客户的 'Total' 金额，并将结果存储在新 DataFrame ('monetary_df') 中。最后，它重命名 'CustomerName' 和 'Monetary' 列，并显示结果 DataFrame 的前几行。

合并所有列

将近度、频率和货币列合并到一个 DataFrame 中。

示例

rf_df = df_recency.merge(frequency_df, on='Customer_Name')
rfm_df = rf_df.merge(monetary_df, on='Customer_Name').drop(columns='Purchase_Date')
rfm_df.head()

输出

	Customer_Name	Recency	Frequency	Monetary
0	Aaron Ross		56		1		70.25
1	Abigail Martin	566		1		5983.25
2	Addison Gomez	128		1		2887.62
3	Alexander Allen	109		1		4983.11
4	Alexander Powell	20		1		2355.69

说明

此代码根据 'Customer_Name' 列合并三个 DataFrame ('df_recency', 'frequency_df', 'monetary_df')，从而生成一个新 DataFrame ('rfm_df')。然后，它从合并后的 DataFrame 中删除 'Purchase_Date' 列，并显示前几行。

对客户进行排名

根据他们的近度、频率和货币分数对客户进行标准化排名。

代码

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()

输出

说明

上面的代码计算 DataFrame 'rfm_df' 中近度、频率和货币值的排名。然后，它将这些排名标准化到 0 到 100 的尺度上。最后，它删除原始排名列，并显示修改后的 DataFrame 的前几行。

计算 RFM 分数

根据每个变量的客户行为分配分数。

R 分数：最近购买的客户分数更高。
F 分数：频繁订购的客户分数更高。
M 分数：货币价值更高的客户分数更高。

选择刻度

您的刻度取决于您的客户群大小。

1-3 刻度用于少于 30,000 名客户。
1-4 刻度用于 30,000-200,000 名客户。
1-5 刻度用于超过 200,000 名客户。

在这里，我们将使用 5 的刻度。用于计算 RFM 分数的公式是：0.15*近度分数 + 0.28*频率分数 + 0.57*货币分数

代码

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[['Customer_Name', 'RFM_Score']]

输出

	Customer_Name	RFM_Score
0	Aaron Ross		3.54
1	Abigail Martin	3.01
2	Addison Gomez	3.48
3	Alexander Allen	3.49
4	Alexander Powell	3.57
...	...	...
92	Victoria Foster	3.06
93	William Clark	3.43
94	William Ward	3.22
95	Wyatt Gonzales	3.05
96	Zoe Evans		3.16
97 rows × 2 columns

说明

上面的代码通过将近度、频率和货币的标准化排名与特定权重结合起来，为 DataFrame 'rfm_df' 中的每个客户计算 RFM 分数。然后，它将 RFM 分数乘以 0.05 进行缩放，四舍五入到小数点后两位，并选择 DataFrame 中前七个客户的 'Customer_Name' 和 'RFM_Score' 列。

根据 RFM 对客户进行评级

根据细分，分配评级（例如，从 1 到 5）。

RFM 分数 >4.5 : 冠军客户
4.5 > RFM 分数 > 4 : 忠诚客户
4 > RFM 分数 >3 : 潜在忠诚客户
3 > RFM 分数 >1.6 : 最近购买的客户
RFM 分数 <1.6 : 流失客户

程序

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[['Customer_Name', 'RFM_Score', 'Customer_segment']]

输出

	Customer_Name	RFM_Score	Customer_segment
0	Aaron Ross		3.54		Medium Value Customer
1	Abigail Martin	3.01		Medium Value Customer
2	Addison Gomez	3.48		Medium Value Customer
3	Alexander Allen	3.49		Medium Value Customer
4	Alexander Powell	3.57		Medium Value Customer
...	...	...	...
92	Victoria Foster	3.06		Medium Value Customer
93	William Clark	3.43		Medium Value Customer
94	William Ward	3.22		Medium Value Customer
95	Wyatt Gonzales	3.05		Medium Value Customer
96	Zoe Evans		3.16		Medium Value Customer
97 rows × 3 columns

说明

上面的代码基于 RFM 分数分析客户数据。它将客户细分（如“顶级客户”（分数较高）或“流失客户”（分数较低））分配给新的“Customer_segment”列，然后显示具有客户名称、分数和分配类别的输出。

可视化客户细分

现在，我们将使用饼图在饼图中显示所有客户细分。您可以使用 Python 中的 matplotlib 或 seaborn 可视化库来实现此目的。这里我们使用的是 maplotlib。

代码

import matplotlib.pyplot as plt
plt.pie(rfm_df.Customer_segment.value_counts(),
        labels=rfm_df.Customer_segment.value_counts().index,
        autopct='%.0f%%')
plt.show()

输出

说明

上面的代码使用 Matplotlib 可视化库创建了一个饼图，显示了客户在不同细分之间的分布。它使用 value_counts() 方法计算每个细分中的客户数量。然后，它绘制一个饼图，其中包含细分标签，并在饼图切片中显示客户百分比。然后使用 plt.show() 显示饼图。

结论

总而言之，使用 Python 进行的 RFM 分析为企业提供了一个强大的工具来理解客户行为并优化营销策略。通过利用 Python 的数据分析和可视化功能，组织可以从客户数据中提取有价值的见解，有效地细分客户群，并实施有针对性的方法来增强客户参与度并推动业务增长。

下一主题Python 中的 pyc 文件是什么

使用Python进行RFM分析

理解 RFM 分析

计算近度

完整代码

计算近度

计算频率

计算货币价值

合并所有列

对客户进行排名

计算 RFM 分数

选择刻度

根据 RFM 对客户进行评级

可视化客户细分

结论

联系信息

关注我们

教程

面试题

在线编译器

Python

Java

.Net Framework

AI, ML and Data Science

Cloud Technology

B.Tech and MCA

Web Technology

PHP

Software Testing

Technical Interview

Java Interview

Python

Web Interview

Database Interview

B.Tech / MCA

Important Interview

Software Testing Interview

Company Interviews

Online Compilers

Multiple Choice Questions

其他

使用Python进行RFM分析

理解 RFM 分析

计算近度

完整代码

计算近度

计算频率

计算货币价值

合并所有列

对客户进行排名

计算 RFM 分数

选择刻度

根据 RFM 对客户进行评级

可视化客户细分

结论

相关帖子

Python 比较运算符

Python中的一致代价搜索算法

Python中的Quickselect算法

Python中算法的构建块

如何在Python的Numpy数组中查找值的索引

Python中的Yield关键字

Python - NoSQL数据库

如何在Python中检查列表是否为空

Python中的UnitTest框架异常测试

Python - 检查列表中的所有元素是否相同

订阅 Tpoint Tech

联系信息

关注我们

教程

面试题

在线编译器