Python使用RMF聚类分析客户价值

投资机构或电商企业等积累的客户交易数据繁杂。需要根据用户的以往消费记录分析出不同用户群体的特征与价值，再针对不同群体提供不同的营销策略。

用户分析指标

根据美国数据库营销研究所Arthur Hughes的研究，客户数据库中有三个神奇的要素，这三个要素构成了数据分析最好的指标

R-最近一次消费(Recency)
F-消费频率(Frequency)
M-消费金额(Monetary)

通过该图将用户进行分类：

R、F、M都很高，重要价值客户(VIP客户)
F、M很高，R不高，重要保持客户
R、F、M都很低，流失客户
M很高，R、F不高，重要挽留客户

根据这8个类别的R、F、M指标，对用户进行标注，哪些是重要价值客户，哪些是重要保持客户，哪些是重要发展客户，哪些是流失客户等

流程介绍

以R、F、M这三个核心指标为维度进行聚类分析
利用K-means聚类分析将用户分类
根据R、F、M指标，对用户进行标注

准备工作：
数据：
某电商企业客户近期购买的数据。包含客户注册日期，最后购买日期以及购买消费总金额

参数：

R-求出最近一次投资时间距提数日天数
F-月均投资次数
M-月均投资金额

目标：分析客户交易数据，用户群体的特征与价值，进行精准营销，降低营销成本，提高销售业绩。

1 分析数据获取RFM

R-求出最近一次投资时间距提数日天数

确定一个提现日，减去用户的最新投资日期

F-月均投资次数

总投资次数/总月数

M-月均投资金额

投资总金额/总月数

处理数据获取R-F-M

2 训练KMeans模型

先对数据进行转换，然后通过K—Means模型训练，生产模型

3 通过模型对用户标注

结果分析：

'''
        R-最近一次投资时间距提数日的天数   F-月均投资次数         月均投资金额
 类别
  0            27.859375               2.820312          21906.754297
  1            20.684211               4.552632          115842.105263
  2            10.568182               5.579545          26984.313636
  3            12.111111               17.277778         107986.000000
  
  结论：
  类别3：R、F、M都比较高，属于重要价值客户 或 超级用户
  类别0：R、F、M都比较低，属于低价值客户
  类别1：R一般、F一般、M很高，也属于重要价值客户
  
  '''

通过模型对新用户标注

1、获取新用户数据

2、通过和原数据处理获取RFM

3、通过训练模型得出用户类型

def user_classes(cdata, user_info):
    '''
    # 模拟一条用户数据
    1、获取当前时间表示为截止时间
    2.计算出: R F M

    '''
    R, M, F = user_info_change(user_info)
    user_data_info = DataFrame([[R], [F], [M]]).T
    print(user_data_info)

    # user_data_info = DataFrame([[12.5], [18.0], [20000.0]]).T
    user_data_info.index = ["lily"]
    user_data_info.columns = cdata.columns
    print("cdata_info:\n", user_data_info)

    new_zcdata = (user_data_info-cdata.mean())/cdata.std()
    print("new_zcdata", new_zcdata)

    kModel = load_model("user_classes.pkl")
    ret = kModel.predict(new_zcdata)
    print("new_zcdata_ret:", ret)
    # new_zcdata_ret: [3]