作者：CDA资深讲师 张藉予
编辑：Mika
随着数据分析的不断应用与发展，用户画像已经广为人知。其中的核心原理就是对用户进行分群，而用户分群的主要逻辑就是将数据进行标签化。
RFM模型是我们常用来分析客户价值的数据分析模型，使用这个模型分析后配合匹配的营销方法，能够让业绩进行大幅度提升。
RFM模型具有分析结构简单，易用、数据容易获取等特性，通过这个模型可以衡量客户价值和创造利润能力。
通过3个简单的指标，可以将客户按照价值分成8个类别，从而使用不同的销售策略提升业绩。
下面给大家介绍一个关于RFM模型的标签化应用案例。
点击下方视频，先睹为快
👇👇👇
首先拿到数据集，导入数据集。
然后我们会进行数据读取，看一下数据的基本信息数据是否有无缺失。
第二步我们将数据集进行特征筛选。
首先我们发现导入的原始数据的时间格式有一些问题，因此将时间进行了处理。
通过一些掉包的方式将时间格式处理成了我们想要的时间格式，然后我们将数据集进行RFM的计算。
首先，计算R。
因为R是取消费的时间间隔，所以我们取出了每个客户ID下的最近的一次消费时间，然后定义了一个最大的消费时间，然后与其做相减得出来了每个客户的最近一次的消费时间间隔。
第二个是计算F。
F是计算客户对于打折商品的偏好程度。
所以我们将数据进行了处理之后，计算出来了特价商品占特价商品跟普通商品的比例，这样得出来了用户对于打折商品的用户的偏好程度。
第三个是计算M。
M是用户的消费金额，我们将数据进行加加减减，最后得出来了用户关于特价商品跟普通商品的消费金额。
然后我们将所计算的RFM进行了特征的整合，得出来了每个客户ID下的RFM具体的数值。
然后下一步将RFM进行分段打分。
这里给出两个方法。
一是函数映射。
我们将数据当中的RFM进行了等级分箱的处理，然后定义了分段函数，将每个RFM的值对分段函数进行比较，得出来了一个01RFM的数据集。
第二个方法是利用Python自带的算法库。
我们将阈值取出，然后将阈值进行01编码，最后也是同样能够得到RFM的01数据。
然后我们将RFM模型定性的输出，将01进行标签化的处理，从而给用户打上各种各样的标签：兴趣是否高，价值是否活跃……
我们可以通过这些标签给到业务端人员进行更好的营销活动。
好的，以上就是今天的分享。如果大家还有数据分析方面相关的疑问，就在评论区留言。
联系客服
