Kundsegmentering i Python
Karolis Urbonas
Head of Data Science, Amazon
Beteendebaserad kundsegmentering utifrån tre mätvärden:
RFM-värdena kan grupperas på flera sätt:
Vi implementerar percentilbaserad gruppering.
Så beräknas percentiler:
Data med åtta CustomerID och slumpmässigt beräknade Spend-värden.
spend_quartiles = pd.qcut(data['Spend'], q=4, labels=range(1,5))data['Spend_Quartile'] = spend_quartilesdata.sort_values('Spend')
# Create numbered labels r_labels = list(range(4, 0, -1))# Divide into groups based on quartiles recency_quartiles = pd.qcut(data['Recency_Days'], q=4, labels=r_labels)# Create new column data['Recency_Quartile'] = recency_quartiles# Sort recency values from lowest to highest data.sort_values('Recency_Days')
Som du ser är kvartiletiketternas ordning omvänd, eftersom nyare kunder är mer värdefulla.
Du kan definiera en lista med strängar eller andra värden beroende på användningsfall.
# Create string labels r_labels = ['Active', 'Lapsed', 'Inactive', 'Churned']# Divide into groups based on quartiles recency_quartiles = pd.qcut(data['Recency_Days'], q=4, labels=r_labels) # Create new column data['Recency_Quartile'] = recency_quartiles # Sort values from lowest to highest data.sort_values('Recency_Days')
Anpassade etiketter tilldelade varje kvartil
Kundsegmentering i Python