Python 實現 RFM 用戶分析模型

RFM 是個簡易分析客戶價值的模型，在電商零售上常常使用。RFM 透過客戶近期的購買行為(Recency)、購買頻率(Frequency)、購買花費(Monetary) 三項指標評估客戶的價值狀況。

模型意義

• 最近一次消費(Recency)：
  上一次消費時間越近的顧客應該是比較好的顧客，對提供即時的商品或是服務也最有可能會有反應。
• 消費頻率(Frequency)：
  也就是常客，也可以說是客戶對品牌的忠誠度，頻率高的優於頻率低的客戶。
• 消費金額(Monetary)：
  客戶消費力，依循 Pareto’s Law (八二法則)，80％的銷售額來自20％的客戶，高消費金額優於低消費金額。
  長跪

  客戶分群意義

Recency 消費時間	Frequency 頻率	Monetary 金額	客戶分群
近	高	高	高價值，VIP 客戶
遠	高	高	高價值，流失客戶
近	低	高	高價值，新客戶
遠	低	高	高價值，淺在客戶
近	高	低	一般價值，VIP 客戶
遠	高	低	一般價值，流失客戶
近	低	低	一般價值，新客戶
遠	低	低	一般價值，淺在客戶

以 R 與 F 分析圖劃分

Python 程式碼

使用 kaggle 的資料做練習

Data Prepare

資料清理，排除缺失值與負值，並計算出收益。

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from datetime import datetime

# Data Prepare
df = pd.read_csv('data.csv', encoding = "ISO-8859-1")

df['InvoiceDate'] = pd.to_datetime(df['InvoiceDate']) # 日期轉換
df_new = df.dropna() # 排除缺失值
df_new = df_new[df_new.Quantity > 0] # 排除負值
df_new = df_new[df_new.UnitPrice > 0] # 排除負值

df['Revenue'] = df['Quantity'] * df['UnitPrice'] # 收益計算
df['CustomerID'] = df['CustomerID'].astype('int64') # CustomerID 轉換

RFM Table

統計個人消費行為，得到至今最近一次消費的天數、消費次數、消費總金額

NOW = datetime(2011,12,10) # 資料最後一天為 2011/12/09
rfm_df = df.groupby('CustomerID').agg({
    'InvoiceDate': lambda x: (NOW - x.max()).days, # 近一次消費天
    'InvoiceNo': lambda x: x.nunique(),            # 消費次數
    'Revenue': lambda x: x.sum()                   # 消費金額
}).reset_index()

rfm_df.rename(
    columns={'InvoiceDate': 'recency', 
             'InvoiceNo': 'frequency', 
             'Revenue': 'monetary'}, 
    inplace=True
) # 重新命名
rfm_df['user'] = 1 # 繪圖計數用

RFM Model

使用中位數(median)將數據分為兩級，也可以使用 33 與 66 分位(quantile)分三級

# 根據值將資料分級
# col_val: 輸入值, level: 分級級距
def get_level(col_val, level: list):
    for idx, val in enumerate(reversed(level)):
        if col_val >= val:
            return f'≥{int(val)}'
            
# 分級
recency_level = [0, rfm_df['recency'].median()]
recency_label = [f'≥{int(i)}' for i in recency_level]
rfm_df['recency_label'] = rfm_df['recency'].apply(
	lambda x: get_level(x, recency_level)
	)

frequency_level = [0, rfm_df['frequency'].median()]
frequency_label = [f'≥{int(i)}' for i in frequency_level]
rfm_df['frequency_label'] = rfm_df['frequency'].apply(
	lambda x: get_level(x, frequency_level)
	)

monetary_level = [0, rfm_df['monetary'].median()]
monetary_label = [f'≥{int(i)}' for i in monetary_level]
rfm_df['monetary_label'] = rfm_df['monetary'].apply(
	lambda x: get_level(x, monetary_level)
	)

RFM Draw

利用 seaborn 繪圖，分成四個區塊為各個客戶群，裡面兩條長條圖分別為高消費力與低消費力的人數

g = sns.FacetGrid(
    rfm_df, # 來源資料表
    col="recency_label", # X資料來源欄位
    row="frequency_label" ,  # Y資料來源欄位
    col_order=recency_label,  # X資料順序
    row_order=frequency_label[::-1], # Y資料順序
    margin_titles=True  # 小圖啟用
)

g = g.map_dataframe(
    sns.barplot, # 資料顯示的模式
    x='monetary_label', # 小圖表X資料來源
    y='user', # 小圖表Y資料來源，訪客計數
    order=monetary_label, # X資料順序
    estimator=sum,  # Y計數加總
    palette = sns.color_palette("muted") #畫布色調 
) 

g = g.set_axis_labels('Recency','Frequency').add_legend()

找出 VIP 客戶群

最後可以根據條件對不同客戶群分別做行銷

vip = rfm_df[
    (rfm_df['frequency_label'] == frequency_label[-1]) &
    (rfm_df['recency_label'] == recency_label[-1]) &
    (rfm_df['monetary_label'] == monetary_label[-1])
]
vip.head(10)