近期、頻率、金額（RFM）分群

Python 的客群分群

Karolis Urbonas

Head of Data Science, Amazon

什麼是 RFM 分群？

以三個指標進行顧客行為分群：

Recency (R)
Frequency (F)
Monetary Value (M)

RFM 數值分組

RFM 數值可用多種方式分組：

百分位，例如分位數
帕累托 80/20 切分
自訂——依商業知識

我們將實作以百分位為基礎的分組。

百分位快速複習

計算百分位的流程：

依該指標排序顧客
將顧客切成預先定義且等大小的群組
為每個群組指派標籤

用 Python 計算百分位

包含 8 個 CustomerID 與隨機計算的 Spend 數值的資料。

示範百分位資料

用 Python 計算百分位

spend_quartiles = pd.qcut(data['Spend'], q=4, labels=range(1,5))

data['Spend_Quartile'] = spend_quartiles

data.sort_values('Spend')

指派標籤

最佳指標給最高分——但最佳不一定是數值最大，例如 recency
本例標籤需反向——顧客越近期越好

指派標籤

# 建立數字標籤
r_labels = list(range(4, 0, -1))

# 依四分位分組
recency_quartiles = pd.qcut(data['Recency_Days'], q=4, labels=r_labels)

# 建立新欄位
data['Recency_Quartile'] = recency_quartiles

# 將 recency 由小到大排序
data.sort_values('Recency_Days')

指派標籤

如你所見，四分位標籤是反向的，因為顧客越近期，價值越高。

recency_quartiles

自訂標籤

可依情境定義由字串或其他值組成的標籤清單。

# 建立字串標籤
r_labels = ['Active', 'Lapsed', 'Inactive', 'Churned']

# 依四分位分組 
recency_quartiles = pd.qcut(data['Recency_Days'], q=4, labels=r_labels)

# 建立新欄位
data['Recency_Quartile'] = recency_quartiles 

# 由小到大排序
data.sort_values('Recency_Days')

自訂標籤

為各四分位指派的自訂標籤。

Recency_quartiles

一起來練習吧！

Python 的客群分群