RMF含义

R（Recency）（用户粘性，越小越好）：用户最近一次交易时间的间隔。R值越大，表示用户交易发生的日期越久，反之则表示用户交易发生的日期越近
F（Frequency）（用户忠诚度，越大越好）：用户在最近一段时间内交易的次数，F值越大，表示客户交易越频繁，反之则表示用户交易不够活跃。
M（Monetary）（用户贡献度，越大越好）：用户在最近一段时间内交易的金额。M值越大，表示用户价值越高，反之则表示用户价值越低。

R	F	M	用户群体类型
0	1	1	重要价值用户
1	1	1	重要唤回用户
0	0	1	重要深耕用户
1	0	1	重要挽留用户
0	1	0	潜力用户
1	1	0	一般维持用户
0	0	0	新用户
1	0	0	流失用户

用户RMF模型的用途

针对不同类型用户，提出可落地的策列建议，采取不同运营手段措施。

用户RMF模型处理思路

以电商数据为例

1、确认待分析数据

不同业务R、F、M指标定义不同。
例如：
在电商销售案例中，通过最后一次消费时间间隔（R）、消费频率（F）和消费金额（M）进行定义；
在用户使用产品案例中，通过用户最后一次使用的时间间隔（R）、使用频率（F）、和对产品功能的使用（M）进行定义；
在借贷平台的与其用户案例中，通过最后一次进入还款页面的时间间隔（R）、进入还款页面的次数（F）、应还款的账单金额（M）进行定义

值	计算方法	计算需要的数据
R	最后一次订单日期据今天（或设定时间）的间隔	用户ID、订单日期
F	一年内用户下单次数	用户ID
M	一年内用户下单总额	用户ID、销售额

2、计算需要的数据

3、给R、F、M按值划分高低维度

方法一：平均值

平均值作为依据进行划分，（R值计算的大小和用户价值呈反比，故高于依据的作为低值）
注：由于大部分数据呈长尾分布，导致平均数被拔高或压低，此时以平均数作为参考并不合适。例如：有一用户的消费金额达到100K，普遍用户消费1K，此时平均值被拔高。

方法二：中位数或四分位数（推荐）

选择四分位数作为依据进行划分，（R值计算的大小和用户价值呈反比，故高于依据的作为低值）

4、量化用户价值

将RFM总值量化为用户价值

方法一：字符串对应法

方法二：数值计算法

将R、F、M三组数据分别无量纲化处理映射到[0,1]区间再合理放大然后相加。（即跳过了给第三步给RFM划分高低维度的步骤）
无量纲化处理具体原理和方法

min-max归一化

公式：\(x^{'}=\frac{x-min}{max-min}\)
通过无量纲化处理将不同量级的数据归一化至同一量级，一般将该数放大100倍
RFM计算公式：RFM总值 = R值 * （-1） + F值 + M值 +100
注：-1是由于R值大小和用户质量成反比，+100是为了保证数据结果不会出现负数，该数不是固定的，如果RFM归一化未放大100倍，此处+1即可

RFM模型案例

现有一电商销售订单的数据表，使用用户RFM模型对用户数据进行分析

# 以2014年为时间段，计算F、M值
# 获取2014年数据
df_14 = df[df['Order_Year']==2014]
'''
|R|最后一次订单日期据今天（或设定时间）的间隔|用户ID、订单日期|
|F|一年内用户下单次数|用户ID|
|M|一年内用户下单总额|用户ID、销售额|
提取出需要的数据
'''
df_14=df_14[['CustomerID','OrderDate','Sales']]
df_14

# 将用户ID作为索引
df_14.set_index('CustomerID',inplace=True)

# 为了计算F，增加一列（因为需要累计同一用户订单个数
df_14['orders'] = 1

# 将同一用户的订单最大时间、下单次数总合、下单总额以数据透视表的方式计算并保存
customer_pivot = pd.pivot_table(df_14,
                               index = 'CustomerID',
                               values=['OrderDate','orders','Sales'],
                               aggfunc={'OrderDate':'max',
                                       'orders':'sum',
                                       'Sales':'sum'})
# R 以所用用户中最后下单的时间作为分析开始的一天
customer_pivot['R'] = (customer_pivot.OrderDate.max()-customer_pivot.OrderDate).dt.days
# F
# 新建一个F列，或者可以直接将orders列进行重命名（customer_pivot.rename(columns=,inplace=)
customer_pivot['F'] = customer_pivot.orders
# M
customer_pivot['M'] = customer_pivot.Sales
customer_pivot

# 给RFM划分高低维度
def func(x):
    # 根据正负，标记1，0
    # level是一个DataFrame类型分别有R、F、M三列
    level = x.apply(lambda x:'1' if x >=0 else '0')
    # 将RFM值拼成一列 label是Series类型
    label = level.R+level.F+level.M
    
    # 构建字典 量化用户价值
    d = {
        '011':'重要价值用户',
        '111':'重要唤回用户',
        '001':'重要深耕用户',
        '101':'重要挽留用户',
        '010':'潜力用户',
        '110':'一般维持用户',
        '000':'新用户',
        '100':'流失用户'
    }
    result = d[label]
    return result

# 以中位数方式划分维度，以字符串对应法量化用户价值
customer_pivot['label']=customer_pivot[['R','F','M']].apply(lambda x:x-x.median()).apply(func,axis=1)
customer_pivot

标签：customer,df,模型,用户,pivot,ID,RFM
来源： https://www.cnblogs.com/Wendy-r/p/14961692.html