Calcul des mesures RFM

Segmentation de la clientèle en Python

Karolis Urbonas

Head of Data Science, Amazon

Définitions

Récence — jours depuis la dernière transaction du client
Fréquence — nombre de transactions dans les 12 derniers mois
Valeur monétaire — dépenses totales dans les 12 derniers mois

Ensemble de données et préparation

Même ensemble de données online que dans les leçons précédentes
Un peu de préparation des données est nécessaire
Nouvelle colonne TotalSum = Quantity x UnitPrice.

top_5_rows

Étapes de préparation des données

Nous partons d'un DataFrame online prétraité ne couvrant que les 12 derniers mois :

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

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

Créons une valeur hypothétique de snapshot_day comme si l'analyse était récente.

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

Calculer les mesures RFM

# Agréger les données au niveau client
datamart = online.groupby(['CustomerID']).agg({
    'InvoiceDate': lambda x: (snapshot_date - x.max()).days,
    'InvoiceNo': 'count',
    'TotalSum': 'sum'})

# Renommer les colonnes pour faciliter l'interprétation
datamart.rename(columns = {'InvoiceDate': 'Recency',
                           'InvoiceNo': 'Frequency',
                           'TotalSum': 'MonetaryValue'}, inplace=True)

# Vérifier les premières lignes
datamart.head()

Valeurs RFM finales

Notre table pour la segmentation RFM est prête !

rfm_top_5

Passons à la pratique !

Segmentation de la clientèle en Python