RFM-metrics berekenen

Klantsegmentatie in Python

Karolis Urbonas

Head of Data Science, Amazon

Definities

Recency - dagen sinds laatste klanttransactie
Frequency - aantal transacties in de laatste 12 maanden
Monetary Value - totale besteding in de laatste 12 maanden

Dataset en voorbereiding

Zelfde online-dataset als in de vorige lessen
Enige datapreparatie nodig
Nieuwe kolom TotalSum = Quantity x UnitPrice.

top_5_rows

Stappen voor datapreparatie

We starten met een voorbewerkte online-DataFrame met alleen de laatste 12 maanden aan data:

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

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

Laten we een hypothetische snapshot_day maken, alsof we nu analyseren.

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

RFM-metrics berekenen

# 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()

Definitieve RFM-waarden

Onze tabel voor RFM-segmentatie is klaar!

rfm_top_5

Laten we oefenen!

Klantsegmentatie in Python