计算 RFM 指标

Python 中的客户细分

Karolis Urbonas

Head of Data Science, Amazon

定义

Recency（最近度）— 距离上次交易的天数
Frequency（频率）— 近12个月的交易次数
Monetary Value（金额）— 近12个月的总花费

数据集与准备

与前几课相同的 online 数据集
需要进行数据预处理
新增 TotalSum 列 = Quantity × UnitPrice。

前5行

数据准备步骤

我们从预处理后的 online DataFrame 开始，仅包含最近12个月的数据：

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

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

接下来创建一个假设的 snapshot_day，模拟近期分析。

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

计算 RFM 指标

# 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()

最终 RFM 值

用于 RFM 分群的表已完成！

RFM 前5行

让我们来计算 RFM 值！

Python 中的客户细分