Calcul des métriques RFM

Customer Segmentation in Python

Karolis Urbonas

Head of Data Science, Amazon

Définitions

Récence : jours depuis la dernière transaction client
Fréquence : nombre de transactions sur les 12 derniers mois
Valeur monétaire : dépense totale sur les 12 derniers mois

Jeu de données et préparations

Même jeu de données online que dans les leçons précédentes
Quelques préparations de données sont nécessaires
Nouvelle colonne TotalSum = Quantity × UnitPrice.

top_5_rows

Étapes de préparation

Nous partons d’un DataFrame online prétraité, limité aux 12 derniers mois :

print('Min:{}; Max:{}'.format(min(online.InvoiceDate),
                              max(online.InvoiceDate)))

Min:2010-12-10; Max:2011-12-09

Créons une snapshot_day hypothétique, comme si l’analyse était récente.

snapshot_date = max(online.InvoiceDate) + datetime.timedelta(days=1)

Calculer les métriques RFM

# Aggregate data on a customer level
datamart = online.groupby(['CustomerID']).agg({
    'InvoiceDate': lambda x: (snapshot_date - x.max()).days,
    'InvoiceNo': 'count',
    'TotalSum': 'sum'})

# Rename columns for easier interpretation
datamart.rename(columns = {'InvoiceDate': 'Recency',
                           'InvoiceNo': 'Frequency',
                           'TotalSum': 'MonetaryValue'}, inplace=True)

# Check the first rows
datamart.head()

Valeurs RFM finales

Notre table pour la segmentation RFM est prête !

rfm_top_5

Passons à la pratique !

Customer Segmentation in Python