构建 RFM 分段

Python 中的客户细分

Karolis Urbonas

Head of Data Science, Amazon

数据

  • 之前创建的数据集
  • 计算每列的四分位数，并命名为 R、F、M

rfm_data

Python 中的客户细分

最近度四分位

r_labels = range(4, 0, -1)

r_quartiles = pd.qcut(datamart['Recency'], 4, labels = r_labels)

datamart = datamart.assign(R = r_quartiles.values)

r-value

Python 中的客户细分

频率与金额四分位

f_labels = range(1,5)
m_labels = range(1,5)

f_quartiles = pd.qcut(datamart['Frequency'], 4, labels = f_labels)
m_quartiles = pd.qcut(datamart['MonetaryValue'], 4, labels = m_labels)

datamart = datamart.assign(F = f_quartiles.values)
datamart = datamart.assign(M = m_quartiles.values)

Python 中的客户细分

构建 RFM 分段与 RFM 评分

  • 连接 RFM 四分位为 RFM_Segment
  • 求和 RFM 四分位为 RFM_Score
def join_rfm(x): return str(x['R']) + str(x['F']) + str(x['M'])

datamart['RFM_Segment'] = datamart.apply(join_rfm, axis=1)

datamart['RFM_Score'] = datamart[['R','F','M']].sum(axis=1)
Python 中的客户细分

最终结果

rfm_table

Python 中的客户细分

练习构建 RFM 分段

Python 中的客户细分

Preparing Video For Download...