CDA數據分析師 出品
作者:CDA資深講師 張藉予
編輯:Mika
隨著數據分析的不斷應用與發展,用戶畫像已經廣為人知。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據進行標籤化。
RFM模型是我們常用來分析客戶價值的數據分析模型,使用這個模型分析後配合匹配的營銷方法,能夠讓業績進行大幅度提升。
RFM模型具有分析結構簡單,易用、數據容易獲取等特性,通過這個模型可以衡量客戶價值和創造利潤能力。
通過3個簡單的指標,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績。
下面給大家介紹一個關於RFM模型的標籤化應用案例。
首先拿到數據集,導入數據集。
然後我們會進行數據讀取,看一下數據的基本信息數據是否有無缺失。
第二步我們將數據集進行特徵篩選。
首先我們發現導入的原始數據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,然後我們將數據集進行RFM的計算。
首先,計算R。
因為R是取消費的時間間隔,所以我們取出了每個客戶ID下的最近的一次消費時間,然後定義了一個最大的消費時間,然後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是計算客戶對於打折商品的偏好程度。
所以我們將數據進行了處理之後,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於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,我們將數據進行加加減減,最後得出來了用戶關於特價商品跟普通商品的消費金額。
然後我們將所計算的RFM進行了特徵的整合,得出來了每個客戶ID下的RFM具體的數值。
然後下一步將RFM進行分段打分。
這裡給出兩個方法。
一是函數映射。
我們將數據當中的RFM進行了等級分箱的處理,然後定義了分段函數,將每個RFM的值對分段函數進行比較,得出來了一個01RFM的數據集。
第二個方法是利用Python自帶的算法庫。
我們將閾值取出,然後將閾值進行01編碼,最後也是同樣能夠得到RFM的01數據。
然後我們將RFM模型定性的輸出,將01進行標籤化的處理,從而給用戶打上各種各樣的標籤:興趣是否高,價值是否活躍……
我們可以通過這些標籤給到業務端人員進行更好的營銷活動。
好的,以上就是今天的分享。如果大家還有數據分析方面相關的疑問,就在評論區留言。