Création de segments RFM

Segmentation de la clientèle en Python

Karolis Urbonas

Head of Data Science, Amazon

Données

Ensemble de données créé plus tôt
Calculer les quartiles de chaque colonne et les nommer R, F, M

rfm_data

Quartiles de récence

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

Quartiles de fréquence et de valeur monétaire

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)

Construire le segment et le score RFM

Concaténer les quartiles RFM dans RFM_Segment
Additionner les quartiles RFM dans 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)

Résultat final

rfm_table

Passons à la pratique !

Segmentation de la clientèle en Python