不到70行Python代码，轻松玩转RFM用户分析模型

因为每个客户和平均值对比后的R、F、M，只有0和1(0表示小于平均值，1表示大于平均值)两种结果，整体组合下来共有8个分组，是比较合理的一个情况。我们来判断用户的每个分值是否大于平均值：

Python中判断后返回的结果是True和False，对应着数值1和0，只要把这个布尔结果乘上1，True就变成了1，False变成了0，处理之后更加易读。

05 客户分层

回顾一下前几步操作，清洗完之后我们确定了打分逻辑，然后分别计算每个用户的R、F、M分值(SCORE)，随后，用分值和对应的平均值进行对比，得到了是否大于均值的三列结果。至此，建模所需的所有数据已经准备就绪，剩下的就是客户分层了。

RFM经典的分层会按照R/F/M每一项指标是否高于平均值，把用户划分为8类，我们总结了一下，具体像下面表格这样：

由于传统的分类，部分名称有些拧巴，像大多数分类前都冠以“重要”，“潜力”和“深耕”到底有什么区别?“唤回”和“挽回”有什么不一样?

本着清晰至上原则，我们对原来的名称做了适当的改进。强调了潜力是针对消费(平均支付金额)，深耕是为了提升消费频次，以及重要唤回客户其实和重要价值客户非常相似，只是最近没有回购了而已，应该做流失预警等等。这里只是抛砖引玉，提供一个思路，总之，一切都是为了更易理解。

对于每一类客户的特征，我们也做了简单的诠释，比如重要价值客户，就是最近购买我们的产品，且在整个消费生命周期中购买频次较高，平均每次支付金额也高。其他的分类也是一样逻辑，可以结合诠释来强化理解。下面，我们就用Python来实现这一分类。

先引入一个人群数值的辅助列，把之前判断的RFM是否大于均值的三个值给串联起来：

人群数值是数值类型，所以位于前面的0就自动略过，比如1代表着“001”的高消费唤回客户人群，10对应着“010”的一般客户。

为了得到最终人群标签，再定义一个判断函数，通过判断人群数值的值，来返回对应的分类标签：

最后把标签分类函数应用到人群数值列：

客户分类工作的完成，宣告着RFM模型建模的结束，每一位客户都有了属于自己的RFM标签。

RFM模型结果分析

其实到上一步，已经走完了整个建模流程，但是呢，一切模型结果最终都要服务于业务，所以，最后我们基于现有模型结果做一些拓展、探索性分析。

查看各类用户占比情况：

探究不同类型客户消费金额贡献占比：

结果可视化之(可视化代码留给大家自行尝试)：

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!