在数据分析第六关里，我们重点介绍了 RFM 模型。本节内容将结合 RFM 模型以及前面所学的重要知识点，对一个案例进行实战。

1. 案例实战 - 细分电商客户价值

1.1 案例背景

国内某一跨境电商平台主营食品等产品。从 2010 年到 2011 年间，为提高平台的营业额，进行了广告投放以及电子邮件、电话、短信等营销活动，但是收效甚微。

经过调查后，发现有很多客户抱怨公司员工打了太多电话，自己受到了骚扰。但是当员工降低信息推送频率时，也有客户投诉公司信息传递滞后，很多优惠活动没有通知到他们。

公司对营销活动进行复盘，发现关键问题在于：公司针对不同的用户群体使用了同样的销售策略，而这些销售策略的覆盖面特别窄，只能满足一小部分的用户。

找到问题后，公司想到了一个解决策略，就是基于 RFM 模型，对用户进行分类，然后根据不同用户群体的特性，使用更有针对性的营销策略。

4.2 明确目标

根据公司现有的问题，结合 RFM 模型流程，对接下来的分析工作做如下的目标拆解：

1）目标 1：获取含有 RFM 的用户数据；
2）目标 2：基于 RFM 的阈值，对用户进行分类。

经过公司内部沟通后，拿到了一份用户的商品销售数据，先一起来看看，并思考这份数据是否能满足我们的分析需求。

首先我们读取并查看【商品销售数据.xlsx】工作簿的数据。
（提示：由于该份数据量级较大，运行完该程序可能需要等待 1-2 分钟。）

# 读取并查看【商品销售数据.xlsx】工作簿的数据
df = pd.read_excel('./工作/商品销售数据.xlsx')
df

观察数据可以看出，一条订单数据包含了单个商品的销售信息，如发货日期、价格等数据。

一个订单内，用户可能同时购买了多种商品。所以，多条相同的订单号，是一个完整的单次购买记录。

同时，一个用户可以含有多条购买记录。

接着观察数据，看看是否能提取到 RFM 模型所需的目标数据。

1）如果想获取某用户的最近一次消费时间间隔（R），可以通过该用户的【用户 ID】查找订单最新的一次【发货日期】，计算与当前时间的时间差。

比如【用户 ID】为 17850 的用户，其最新一条消费订单的【发货日期】为 2010/2/12，假设今天是 2011/2/12 日，那么 R 值就是 365 天。

2）如果想获取某用户的消费频率（F），只需要查看该用户的【用户 ID】下，不重复的订单号数量。

还是以【用户 ID】为 17850 的用户为例，假设我们对“一段时间”的定义为 2010 年至2011年，如果该用户在 2010/1/12 和 2010/2/12 都进行了消费，那么 F 值就为 2 次。

3）如果想获取某用户的消费金额（M），只需要将该用户的所有消费额进行加和。

其中，用户的消费总额计算公式如下图所示：

比如【用户 ID】为 17850 的用户有两次消费记录，第一个订单购买了 6 个价格为 2.55 元的清蒸豆腐，以及 6 个价格为 3.39 元的五香熏蛋。则该订单的消费额为 6 x 2.55 + 6 x 3.39 = 35.64 元。

第二个订单只购买了 8 个价格为 2.75 元的佛跳墙，所以该订单的消费额为 8 x 2.75 = 22 元。则该用户的 M 值（消费总额）为 35.64 + 22 = 57.64 元。

可以看到，这份数据虽然没有包含具体的 RFM 值，但通过观察发现，数据只需进一步处理，就能将原数据转换成我们的目标数据。

1.3 数据处理

既然数据能满足分析需求，那我们可以根据拆分的目标进行 RFM 模型的构建：

目标1：获取含有 RFM 的用户数据

为了达到目标1，我们需要先对拿到的数据进行处理。数据处理可以分成两个步骤：

1）数据清洗：主要对数据的缺失值、重复值、异常值进行清洗；
2）数据整理：删除无关数据，提取与 RFM 模型相关的重要数据。

我们先对数据进行清洗。

1）数据清洗

关于数据清洗，我们已经学习了一套较为完整的方法。以下是数据清洗用到的相关方法。

请你根据所学的知识点，将读取【商品销售数据.xlsx】工作簿得到的数据进行清洗。

能够完成数据的清洗步骤吗？不妨看看我的数据清洗思路。

首先，使用 info() 方法查看数据的基本信息总结。

从打印得到的信息可以看到，只有【用户 ID】列存在缺失值。

可以只对【用户 ID】列进行缺失值的清洗，代码如下：

接着，我们使用 duplicated() 方法查找重复数据。

从显示的结果可以看到，存在两条重复数据。此时可以使用 drop_duplicates() 方法删除重复数据。

最后，使用 describe() 查看数据的描述性统计信息，检查数据极大极小值是否符合常识和业务要求。

观察数据的统计性信息可以看到，【数量】列出现了最小值 -80995，以及【价格】列出现了最小值 0。

按照常识来说，数量只有大于零才应该出现订单数据，不可能为负值。而价格为零有可能是因为赠送活动的促销价格。

所以，只有数量小于零的为异常数据。

我们只对数量小于零的异常数据进行清洗。

数据清洗已完成，接着需要对数据进行整理。

2）数据整理

基于我们的目标，在阅读下方的内容前，你可以先思考一下数据的整理流程和方法。

有大概的思路了吗？你也可以参考我的数据整理思路。

在前面的分析过程中我们已经知道，与 RFM 模型相关的数据如下：

我们可以提取数据中的【发货日期】列来计算 R 值。

而一个订单里面可能包含多个商品，一个用户可能有多个订单。

所以，我们可以通过【数量】和【价格】列算出单个商品的总额，再通过【订单列】对相同订单号的数据进行分组，计算每个订单的总额，最后将用户每个订单的总额进行加和，可以得到 M 值。

其中，计算用户不重复的订单数量可以得到 F 值。

基于这些信息，可以将数据整理的思路分为三步：

a. 新增一个【商品总额】列，用以计算每个商品的消费总额。

b. 将商品按订单号进行分组，合并商品总额，得到用户每一个订单的消费金额。然后我们只保留计算 RFM 所需的数据。

c. 计算 R（选取用户所有订单中时间差最小的值）、F（用户消费订单的总数量）、M（计算用户所有消费订单总额）。

思路整理好了，我们就可以结合前面所学的知识点，开始代码的编写。

第一步：新增【总金额】列，计算每个商品的消费总额

# 计算“总金额”
df['总金额'] = df['价格'] * df['数量']
df

计算完商品的消费总额后，可以对数据进行分组合并，并只保留 RFM 所需的数据。

第二步：将商品按订单号进行分组，合并商品总额

由于一个用户可能有多个订单，在对订单进行分组，合并商品总额时，也需要保留用户的 ID，以便后面计算用户的总消费额和消费频率。

提示：可以将订单号和用户 ID 组合为一个列表，再将该列表传入 groupby() 函数进行分组，同时对总金额进行加和，保留最近的发货日期（日期最大）

# 将商品数据转化为订单消费数据
group_df = df.groupby(['订单号', '用户 ID'], as_index=False).agg({'发货日期': 'max', '总金额': 'sum'})
group_df

代码中，我们使用 groupby() 函数将数据按【订单号】和【用户 ID】进行分组。

其中，函数中的参数 as_index 决定分组后的数据是否带行索引。默认情况下，该参数的值为 True ，即不含自带的行索引，若设置为 False，则包含自带的行索引。

这里将参数 as_index 设置为 False，目的是为了方便后面对数据的提取计算。

分完组后，再使用 agg() 方法提取【发货日期】列的最大值，以及【总金额】列的总和。

RFM 所需的数据已提取完。接下来，可以进行 R、F、M 值的计算。

第三步：计算 R、F、M 值

计算 R 值前，我们可以设定一个当前时间，比如 today = '2012-01-01 00:00:00'，再将每个订单的发货时间与当前时间进行对比后，提取具体的天数差。

而发货时间与当前时间可以通过 to_datetime() 函数转化为日期格式后，再通过减法运算会返回一个带有时间差的 Series 对象。

但在实际情况下，我们只需要拿到天数差即可，无需精确到时分秒。

所以，可以调用 Series 对象的 dt.days 属性来提取天数信息。再新建【时间间隔】列来存储该天数信息。

至此，时间间隔也计算完毕。接下来，需要对 R、F、M 的值进行提取。

实现以下几个要求：
a. 根据【用户 ID】进行分组，分组后的数据包含自带的行索引；
b. 通过提取最小的时间间隔，得到用户的 R 值（筛选最小时间差）；
c. 通过计算订单号的总数量，提取用户的 F 值（统计用户的订单总数）；
d. 通过计算总金额的总和，提取用户的 M 值（汇总订单消费总额）。

最后，为了方便我们更直观地看出 RFM 各对应哪一列，可以把数据的列名依次修改为：用户 ID、时间间隔、总次数和总金额。

至此，我们已经整理好含有 RFM 的用户数据，那就可以进行下一环节的数据分析。

1.4 数据分析

目标2：基于 RFM 的阈值，对用户进行分类

为了达到目标2，对用户进行分类之前，我们还需要明确用户划分的步骤：

首先是计算 RFM 的阈值。前面也提到，计算阈值的方式有很多，那应该怎么挑选呢？

1）计算 RFM 的阈值

根据实际业务的需求出发，在和电商运营人员商讨中发现，如果直接通过平均值或中位数进行阈值的划分不够客观，这是因为不同的客户对于电话推送优惠活动的反应不同。

在服务资源有限的情况下，他们也希望能够对用户人群进行调整。

因此，我们需要选择更加灵活的阈值计算方式：分区域评分，计算平均值。

这种方式计算阈值的流程为：划分区间 —— 标记分数 —— 计算平均值。

划分区间可以有以下两种方法：

a.确认关键的节点进行划分。比如小学考试中满分 100 分，达到 60 分就算及格；

b.根据实际经验进行划分。比如一般的用户消费水平在 1w，消费超过 10w 是高净值人群。

就像在第6关举出的例子中，我将 RFM 值分成 5 个区间，统一评分单位，每个区间对应一个等级，数值所代表的价值越高，等级越高。

当然了，在实际业务上，你完全可以按照自己的需求划分得更加细致，如 10 个区间。就像你在举哑铃，哑铃重量控制在哪个范围，可根据自身的身体情况把握。具体根据数据的情况选定区间。

本节案例课先以划分 5 个区间的方式进行讲解。

先来看看案例的 R 值是怎么划分区间的。

我们需要将数据先进行排序，绘制出 R 值的折线图，就能看得出不同时间间隔的分布情况，再以此来划分区间。实现代码如下：

我们知道，R 值越小，最近一次购买的时间间隔就越短，用户再次购买的可能性越高，分值应该越高。相反，R值越高，分值应该越低。

上图表示不同 R 值所对应的用户数，其中 y 轴代表每个用户的 ID，x 轴代表每个用户对应的 R 值。

图中可以看到，曲线大约以 400 天为界限，400 之前的呈曲线分布，400 后的几乎呈直线分布。

而大于 400 天的数据，即最近一次购买时间都超过一年，用户再次购买商品的可能性很低，可将他们整体分成一类。小于 400 天的数据可均匀地以 100 为单位，进行区间划分。

那么我可以定义如下的函数来为不同区间的用户进行 R 值的打分。

再为数据新建一个【R评分】列，将【时间间隔】列的数据依次评分后写入到【R评分】列。

def caculate_r(r):
    """
    定义函数按照区间划分 R 值
    """
    if r <= 100:
        return 5
    elif r <= 200:
        return 4
    elif r <= 300:
        return 3
    elif r <= 400:
        return 2
    else:
        return 1


# 新建一个【R评分】列，将【时间间隔】列的数据依次评分后写入到【R评分】列
rfm_df['R评分'] = rfm_df['时间间隔'].agg(caculate_r)
rfm_df

这样，我们已经对 R 值进行区间划分，以及 R 值的打分。

同理，F 值和 M 值进行区间划分与打分交给你来完成。

我的答案：

# 定义函数按照区间划分 F 值
def caculate_f(f):
    if f <= 5:
        return 1
    elif f <= 10:
        return 2
    elif f <= 15:
        return 3
    elif f <= 20:
        return 4
    else:
        return 5

# 新建一个【F评分】列，将【总次数】列的数据依次评分后写入到【F评分】列
rfm_df['F评分'] = rfm_df['总次数'].agg(caculate_f)
rfm_df

# 定义函数按照区间划分 M 值
def caculate_m(m):
    if m <= 2000:
        return 1
    elif m <= 4000:
        return 2
    elif m <= 6000:
        return 3
    elif m <= 8000:
        return 4
    else:
        return 5


# 新建一个【M评分】列，将【总金额】列的数据依次评分后写入到【M评分】列
rfm_df['M评分'] = rfm_df['总金额'].agg(caculate_m)
rfm_df

到这里，我们已经完成 R、F、M 各值的分数标记。再通过下方的代码计算 R、F、M 各值的平均值就能得到各值的阈值了。

# 计算 R评分、F评分、M评分的平均数
r_avg = rfm_df['R评分'].mean()
f_avg = rfm_df['F评分'].mean()
m_avg = rfm_df['M评分'].mean()

print(r_avg, f_avg, m_avg)

得到 R、F、M 各值的阈值以后，将要为 R、F、M 各值进行高低值的标记。

2）标记 RFM 的高低值

这一步可以将获得的阈值与 RFM 分数进行比较，高于阈值记为“高”，低于阈值记为“低”。

那该如何给 RFM 各值标记 “高” 或 “低” 呢？

这里，我们可以利用 R、F、M 的分数与阈值对比后得到的返回值。比如我们拿 R 值的分数与阈值进行对比：

从返回的结果可以看到，每个分数与阈值对比可以得到一个布尔值，并且返回的是 Series 对象。

所以利用R、F、M 的分数与阈值对比得到布尔结果：

然后我们利用 replace()方法替换布尔结果，“高”替换掉 True，“低”替换掉 False：

现在，R、F、M 的高低值也标记完毕。

接下来，需要将 RFM 的评分进行拼接，与用户分类规则表进行对比，可以得出用户属于哪种类别。

3）标记用户类型

先定义如下的字典来为不同的组合匹配对应的用户分类名称。

transform_label = {
    '高高高': '重要价值用户',
    '高低高': '重要发展用户',
    '低高高': '重要保持用户',
    '低低高': '重要挽留用户',
    '高高低': '一般价值用户',
    '高低低': '一般发展用户',
    '低高低': '一般保持用户',
    '低低低': '一般挽留用户'
}

然后再次使用 replace() 方法对数据进行批量替换。

# 拼接R评分、F评分、M评分
rfm_score = rfm_df['R评分'] + rfm_df['F评分'] + rfm_df['M评分']
# 新建一个【客户类型】列，将RFM评分替换成具体的客户类型
rfm_df['客户类型'] = rfm_score.replace(transform_label)
rfm_df

从显示的内容可以看到，我们已经为数据标记上用户类型。

为得知公司各类用户的分布，需要计算各类用户的数量。按【客户类型】分组，统计用户（用户 ID）的数量。

显示的数据虽然可以看到八大用户类型的频数分布，但数据的呈现不够直观，还需要进一步对用户类型的具体占比和分布进行可视化展现。

1.5 数据展现

查看不同类型用户的数量分布，我们可以采取柱状图。将用户类型作为 x 轴，用户类型对应的数量作为 y 轴，可以很直观地看到各类型用户的分布情况。

plt.figure(figsize=(14, 8))
x = customer.index
y = customer.values
plt.bar(x, y, width=0.6, alpha=0.8)
plt.xticks(fontsize=12)
plt.yticks(fontsize=12)
plt.xlabel('客户类型', fontsize=18)
plt.ylabel('人数', fontsize=18)
plt.title('不同客户的数量分布', fontsize=30)

想查看不同类型用户的数据占比，可以采取饼图。将用户类型作为标签，用户类型对应的数量作为数据计算占比，可以很直观地看到各类型用户的占比情况。

plt.figure(figsize=(14, 10))
plt.pie(customer, labels=customer.index, autopct='%0.1f%%')
plt.title('不同客户的占比情况', fontsize=16)

从显示的柱状图和饼图可以发现，一般发展用户和一般挽留用户的人数偏多。

对于一般发展用户较多的情况，问题可能在于一般发展用户后续的复购转化不足。可以多通过短信、平台网站等渠道，在一般发展用户首购后的一段时间内可以领取复购券等策略，将这类用户转化为更高价值的用户类型。

对于一般挽留用户较多的情况，问题可能在于平台的产品竞争力或者服务不足。可以多对比竞品公司的产品，对自身的产品进行提升。同时，可以采取赠送优惠券的策略，并收集用户对平台产品以及服务的评价。

具体情况还需要对这两类用户进行深入分析。

至此，我们的案例已经学习完毕，让我们再来回顾这个案例。

某电商平台由于没有做好用户的分类，对所有用户都使用同样的销售策略，导致平台收到各种各样的投诉问题。

为解决这个问题，公司采取使用 RFM 模型对用户进行分类，再根据不同用户的特性，提供有针对性的营销策略。

根据 RFM 模型分析各个用户的最小时间间隔、消费频率、消费金额，再根据用户分类规则表对比后得知，公司的一般发展用户以及一般挽留用户占比较多，需要深入分析这两类用户，并制定有针对性的策略，如复购券赠送、平台问卷调查等。

案例回顾完毕。