Rfm -analys python

1. Vad är RFM -analys Python?
2. Hur segmenterar man en kund i Python?
3. Hur analyserar du RFM -poäng?
4. Hur beräknas nyhet i Python?

Vad är RFM -analys Python?

RFM (Recency, Frequency, Monetary) analys är ett beteendebaserat tillvägagångssätt som grupperar kunder i segment. Det grupperar kunderna på grundval av deras tidigare köptransaktioner. Hur nyligen, hur ofta och hur mycket köpte en kund. RFM filtrerar kunder i olika grupper i syfte att bättre service.

Hur segmenterar man en kund i Python?

Innan vi går in i processen kommer jag att ge dig en kortfattad beskrivning av vilka steg vi ska ta.

1. Samla in data.
2. Skapa RFM -tabell (Recency Frequency Monetary).
3. Hantera skevhet och skala varje variabel.
4. Utforska data.
5. Klustera data.
6. Tolka resultatet.

Hur analyserar du RFM -poäng?

För att beräkna RFM -poäng behöver du först värdena för tre attribut för varje kund: 1) senaste inköpsdatum, 2) antal transaktioner inom perioden (ofta ett år) och 3) total eller genomsnittlig försäljning som tillskrivs kunden ( total eller genomsnittlig marginal fungerar ännu bättre).

Hur beräknas nyhet i Python?

Det första vi behöver göra är att sortera kunder baserat på senaste, frekvens och monetära värden. För att beräkna aktuellhet tar vi en dag efter det sista fakturadatumet för vår datauppsättning som ögonblicksdatum "2011–12–10 12:50:00". Datumskillnaden kommer att ge oss hur nyligen den senaste transaktionen gjordes.