Beräkna RFM-mätvärden

Kundsegmentering i Python

Karolis Urbonas

Head of Data Science, Amazon

Definitioner

Recency – dagar sedan kundens senaste transaktion
Frequency – antal transaktioner de senaste 12 månaderna
Monetary Value – total utgift de senaste 12 månaderna

Datamängd och förberedelser

Samma online-datamängd som i tidigare lektioner
Viss dataförberedelse krävs
Ny kolumn TotalSum = Quantity x UnitPrice.

De 5 översta raderna

Dataförberedelsesteg

Vi utgår från en förbehandlad online-DataFrame med enbart data från de senaste 12 månaderna:

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

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

Låt oss skapa ett hypotetiskt snapshot_day-datum som om analysen görs nyligen.

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

Beräkna RFM-mätvärden

# 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()

Slutliga RFM-värden

Vår tabell för RFM-segmentering är klar!

rfm topp 5

Nu kör vi en övning!

Kundsegmentering i Python