在商业分析中，我们经常会遇到以下问题：

不知道如何进行用户行为分析，对用户进行分类?

不知道哪些是重要价值客户，他们能带来什么，应该如何维护?

这时候就需要用到用户行为分析模型也就是我们通常所说的RFM模型了。小编今天就给大家分享一下RFM模型的构建以及应用，希望对大家商业分析有所帮助。

一、RFM模型简介

RFM模型，是根据客户活跃程度以及交易金额的贡献，对客户价值进行细分的一种方法，是客户关系管理中常应用到的一种操作模型。RFM模型从R、F、M、这3个维度来描述客户的价值，下面来具体解释一下R、F、M、这3个维度。

R：上一次消费 (Recency)，客户上一次消费的时间，时间越是接近就表示该客户越有价值，对于提供的即时商品或是服务，这些客户是最有可能反应的。

F：消费频率 (Frequency)，一段时间之内对产品的消费频次，也就是客户在限定的期间内的购买的次数。通常来说，客户消费频率越高，也就表示该客户忠诚度越高。

M：消费金额 (Monetary)，用户的贡献价值，交易金额越高，该客户价值越高。帕雷托法则认为公司80%收入来自20%的客户。

二、RFM模型使用场景

RFM模型3个维度可根据实际需求变化，例如：

R：最近一次登录时间、最近一次发帖时间、最近一次投资时间、最近一次观看时间

F：浏览次数、发帖次数、评论次数

M：充值金额、打赏金额、评论数、点赞数

互动行为：最近一次互动时间、互动频次、用户的互动次数;

直播行为：最近一次观看直播时间、直播观看频次、观看直播累计时长;

内容行为：最近一次观看内容时间、观看内容频次、观看内容字数;

评论行为：最近一次评论时间、评论频次、累计评论次数等等等等。

三、RFM模型搭建

1.计算每个客户的RFM指标。可以利用CRM软件或者BI分析工具计算出每个客户的R，F，M

2.根据实际业务需求，确定具体的R，F，M的度量范围。

3.在RFM表格中添加细分的段号。

因为有R，F，M三个变量，所以我们需要使用三维坐标系来进行展示，X轴表示R，Y 轴表示F，Z轴表示M，坐标系的8个象限分别表示8类用户也就是：重要价值客户、重要保持客户、重要发展客户、重要挽留客户、一般价值客户、一般保持客户、一般发展客户、一般挽留客户，我们可以用如下图形进行描述：

四、简单示例

import pandas as pd
import numpy as np
import time
#todo 读取数据
data = pd.read_csv('RFM_TRAD_FLOW.csv',encoding='gbk')
# print(ret)
# todo RFM------>R(最近一次消费)
#todo 时间与字符串相互转换
data['time'] = data['time'].map(lambda x:time.mktime(time.strptime(x,'%d%b%y:%H:%M:%S')))
# print(data)
# todo 分组
groupby_obj = data.groupby(['cumid','type'])
# for name,data in groupby_obj:
#   print(name)
#   print(data)
# todo 取值
R = groupby_obj[['time']].max()
# print(
# todo 转为透视表
r_trans = pd.pivot_table(R,index='cumid',columns='type',values='time')
# print(data_trans)
# todo 替换缺失值 有缺失值，替换成最远的值
r_trans[['Special_offer','returned_goods']] = r_trans[['Special_offer','returned_goods']].apply(lambda x:x.replace(np.nan,min(x)),axis = 0)
# print(data_trans)
r_trans['r_max'] = r_trans.apply(lambda x:sum(x),axis=1)
# print(r_trans)
# todo RFM------>F(消费频率)
# 取值
F =groupby_obj[['transID']].count()
# print(F)
#转为透视表
f_trans = pd.pivot_table(F,index='cumid',columns='type',values='transID')
# print(f_trans)
#替换缺失值
f_trans[['Special_offer','returned_goods']]= f_trans[['Special_offer','returned_goods']].fillna(0)
# print(f_trans)
#
f_trans['returned_goods'] = f_trans['returned_goods'].map(lambda x:-x)
# print(f_trans)
f_trans['f_total'] = f_trans.apply(lambda x:sum(x),axis=1)
# print(f_trans)
# todo RFM------>M(消费金额)
# 取值
M =groupby_obj[['amount']].sum()
# print(M)
#转为透视表
m_trans = pd.pivot_table(M,index='cumid',columns='type',values='amount')
# print(f_trans)
#替换缺失值
m_trans[['Special_offer','returned_goods']]= m_trans[['Special_offer','returned_goods']].fillna(0)
# print(f_trans)
#
m_trans['m_total'] = m_trans.apply(lambda x:sum(x),axis=1)
# print(m_trans)
# 合并
RFM=pd.concat([r_trans["r_max"],f_trans['f_total'],m_trans['m_total']],axis=1)
print(RFM)
r_score = pd.cut(RFM.r_max,3,labels=[0,1,2])
f_score = pd.cut(RFM.r_max,3,labels=[0,1,2])
m_score = pd.cut(RFM.r_max,3,labels=[0,1,2])