Analiza segmentów RFM

Segmentacja klientów w Pythonie

Karolis Urbonas

Head of Data Science, Amazon

Największe segmenty RFM

datamart.groupby('RFM_Segment').size().sort_values(ascending=False)[:10]

top_rfm_segments

Filtrowanie według segmentów RFM

Wybór dolnego segmentu RFM „111" i podgląd 5 pierwszych wierszy

datamart[datamart['RFM_Segment']=='111'][:5]

top-111-segments

Podsumowanie metryk według wyniku RFM

datamart.groupby('RFM_Score').agg({
    'Recency': 'mean',
    'Frequency': 'mean',
    'MonetaryValue': ['mean', 'count'] })/
    .round(1)

Grupowanie w nazwane segmenty

Użyj wyniku RFM, aby podzielić klientów na segmenty Gold, Silver i Bronze.

def segment_me(df):
    if df['RFM_Score'] >= 9:
        return 'Gold'
    elif (df['RFM_Score'] >= 5) and (df['RFM_Score'] < 9):
        return 'Silver'
    else:
        return 'Bronze'

datamart['General_Segment'] = datamart.apply(segment_me, axis=1)

datamart.groupby('General_Segment').agg({
    'Recency': 'mean',
    'Frequency': 'mean',
    'MonetaryValue': ['mean', 'count']}).round(1)

Nowe segmenty i ich wartości

Ćwiczenie tworzenia własnych segmentów

Segmentacja klientów w Pythonie