RFM分析是市场营销分析中广泛应用的方法，他通过简单的分析来有效地对营销的对象进行分组，评估其市场反应（接受营销）的可能性，并据此作出相应的市场营销决策，如瞄准可能反应的目标客户，区分营销的条款、信息和方法等
在我们一般的建模过程中，我们通常需要以下这些变量
image.png
属性和状态信息一般都能够取到，而行为信息很多时候需要我们进行变量衍生
本篇我们介绍一个在客户价值分析中常用的模型：RFM模型
具体可以参照RFM模型如何实际应用
根据美国数据库营销研究所Arthur Hughes的研究，客户数据库
中有三个重要指标：
•最近一次消费(Recency)
最近一次消费意指上一次购买的时间。上一次消费时间越近的顾
客对提供即时的商品或是服务也最有可能会有反应。对提供即时的商品或是
服务也最有可能会有反应。
•消费频率(Frequency)
消费频率是顾客在限定的期间内所购买的次数。最常购买的顾客，
也是满意度最高的顾客。这个指标是“忠诚度”很好的代理变量。
•消费金额(Monetary)
消费金额是最近消费的平均金额。是体现客户短期价值重要变量。
如果你的预算不多，而且只能提供服务信息给2000或3000个顾客，你会将
信息邮寄给贡献40％收入的顾客，还是那些不到1％的顾客？数据库营销有时
候就是这么简单。这样的营销所节省下来的成本会很可观。
数据下载地址：https://pan.baidu.com/s/1smcuUsd
library(tidyverse)
library(sqldf)
rfm_trad_flow<-read.csv("rfm_trad_flow.csv",stringsAsFactors = F)
#dplyr方法
rfm <- select(rfm_trad_flow,cust_id,type,time,amount)%>%
group_by(cust_id,type) %>% summarise(recency=max(time),
frequency=n(),
money=sum(amount))%>%
filter(type %in%c('Special_offer','Normal'))
#sql方法
rfm_sql<-sqldf("select cust_id,type,
max(time) as Recency,count(*) as freq,sum(amount) as Monetary
from rfm_trad_flow
where type='Special_offer' or type='Normal'
group by cust_id,type")
得到的数据：
image.png
现在我们有这么个需求：
想查看每个每个顾客在正常和特价情况下的行为数据
我们就可以这样操作：
library(reshape2)
rfm <- sselect(rfm_trad_flow,cust_id,type,time,amount)%>%
group_by(cust_id,type) %>% summarise(frequency=n(),money=sum(amount),
recency=max(time))%>%
filter(type %in%c('Special_offer','Normal'))
可以得到如下结果：
image.png
巴特，上面图片的数据不利于后续分析，我们想把上面图片的结果变为下面图片的结果：
image.png
那我们可以按照下面的代码进行操作：
关于这个，可以参照另外一篇文章：利用reshape2包进行数据逆透视和数据透视
newdata <- dcast(md, formula, fun.aggregate)
其中的 md 为已融合的数据， formula 描述了想要的最后结果，而 fun.aggregate 是（可选
的）数据整合函数。其接受的公式形如：
rowvar1 + rowvar2 + ... ~ colvar1 + colvar2 + ...
在这一公式中， rowvar1 + rowvar2 + ... 定义了要划掉的变量集合，以确定各行的内容，
而 colvar1 + colvar2 + ... 则定义了要划掉的、确定各列内容的变量集合。
#长表变宽表
library(reshape2)
rfm1 <- select(rfm_trad_flow,cust_id,type,time,amount)%>%
group_by(cust_id,type) %>% summarise(money=sum(amount))%>%
filter(type %in%c('Special_offer','Normal'))
rfm1_1 <- dcast(rfm1,cust_id~type)
rfm2 <- select(rfm_trad_flow,cust_id,type,time,amount)%>%
group_by(cust_id,type) %>% summarise(frequency=n())%>%
filter(type %in%c('Special_offer','Normal'))
rfm2_1 <- dcast(rfm2,cust_id~type)
#将数据联合起来
rfm3 <- select(rfm_trad_flow,cust_id,type,time)%>%
group_by(cust_id,type) %>% summarise(recency=max(time))%>%
filter(type %in%c('Special_offer','Normal')) %>%
left_join(rfm1_1,by=c('cust_id')) %>% left_join(rfm2_1,by=c('cust_id'),suffix=c(".money",".frequency"))
#将缺失值填充为0
for(i in 4:7){
rfm3[is.na(rfm3[,i]),i] <- 0
}
网友评论