做数据分析的小伙伴可能多多少少都知道一些分析方法，但是谈到分析思维却没有底气或者遇到业务问题，不知道如何下手。如果你有上述困惑，那么知了堂会通过本篇文章来跟大家讲解用Python 结合 RFM 模型实现用户分层的方法。

下图是整理的分析方法论及方法。如果能够灵活运用，将能够解决工作中 80% 以上问题。注意的是，方法论是思维层面，方法是执行层面。那么，重点是我们如何将其应用到实际业务中。本文将以 RFM 模型 为例，运用到实际案例中。（本文以 Python 实现，Excel 也可以。）

项目背景：某生鲜外卖APP于2018年1月1日成立，主营新鲜蔬菜瓜果，海鲜肉禽。APP上线后，市场推广期为一年。通过分析发现原来几个重要的客户被竞争对手挖走了，而这几个用户对平台贡献了80%的销售额。之前对所有用户采用一样的运营策略，为了解决这个问题，需要对用户进行分类，了解当前用户分层情况，进行精细化运营。

一、整体分析流程

• 分析目的：用户分类
• 数据获取：Excel 数据
• 清洗加工：Excel、Python
• 建立模型：RFM
• 数据可视化
• 结论与建议

二、RFM 模型的理解

最终将 RFM 模型处理后的结果，作为用户标签，帮助运营更精准地制定活动规则以提升用户使用黏性，强化用户感知。最终实现的效果图如下：

三、利用 Python 实现 RFM 用户分层

3.1 获取数据

import pandas as pd
data = pd.read_excel('C:/Users/cherich/Desktop/用户信息.xlsx')
data.head()
复制代码

data.info()
复制代码

说明：当前数据集是5000条用户数据，存在缺失值对本次分析不会造成影响。数据清洗，通常包括处理缺失值、重复值、转换数据类型三种。所以仅考虑数据类型即可。这里有个前提条件，R、F、M 应该有一个参照时间，如果活动持续到现在，可以截止到现在。但是我们的数据是历史数据，所以需要查找活动结束时间。

data.sort_values(by='最后一次成交', ascending=False)
复制代码

3.2 数据处理

#  活动结束时间  2019-06-30
data['最后一次成交']=data['最后一次成交'].astype('str')
stop_date = pd.to_datetime('2019-06-30')
datas = data.drop(columns=['注册时间','会员开通时间','会员类型','城市','区域','最后一次登陆'])
datas['最后一次成交时间'] = datas['最后一次成交'].apply(lambda x:x.split()[0])

datas['最后一次成交时间'] = pd.to_datetime(datas['最后一次成交时间'])

datas['R1'] = datas['最后一次成交时间'].apply(lambda x:stop_date-x)

datas['F1'] = datas['非会员累计购买次数']+datas['会员累计购买次数']

datas['M1'] = datas['非会员累计消费'] + datas['会员累计消费']
datas['R1']= datas['R1'].astype(str)
datas['R1']= datas['R1'].apply(lambda x:x.split()[0])
datas
复制代码

说明：以上操作目的是将R指标由时间类型转换成可计算格式，为接下来建立模型，计算时间间隔做准备。

3.3 建立模型

建立模型，需要分别对F、R、M 分别计算各自的平均值。但是要注意三个指标数据存在极大值、极小值的情况，这对结果会产生一定的误差，所以解决方案是将其标准化，设置分段区间，5分制，5分为最高。（数值区间可根据具体业务灵活调整或者用四分位数）

def R_score(n):
    n = int(n)
    if 0
说明：这里对R、F、M 再求平均值，以平均值为标准，如果单个指标大于平均值，显示1，否则显示0。最终RFM的结果由0和1拼接组成，即可得出用户最终类型。
R_mean = datas['R1_score'].mean()
F_mean = datas['F1_score'].mean()
M_mean = datas['M1_score'].mean()

datas['R'] = datas['R1_score'].apply(lambda x: 1 if x> R_mean else 0)

datas['F'] = datas['F1_score'].apply(lambda x: 1 if x> F_mean else 0)

datas['M'] = datas['M1_score'].apply(lambda x: 1 if x> M_mean else 0)
datas
复制代码
datas['RFM'] = datas['R'].apply(str)+datas['F'].apply(str)+datas['M'].apply(str)
datas

def user_tag(rfm):
    if rfm=='000':
        res = '流失用户'
    elif rfm=='010':
        res = '一般维持用户'
    elif rfm=='100':
        res = '新客户'
    elif rfm=='110':
        res = '潜力客户'
    elif rfm=='001':
        res = '重要挽留客户'
    elif rfm=='101':
        res = '重要深耕客户'
    elif rfm=='011':
        res = '重要唤回客户'
    else:
        res = '重要价值客户'
    return res
datas['user_tag']=datas['RFM'].apply(user_tag)
datas
复制代码
3.4 数据可视化
import matplotlib.pyplot as plt
import seaborn as sns
import matplotlib as mpl
sns.set(font='SimHei',style='darkgrid')

user_tag = datas.groupby(datas['user_tag']).size()

plt.figure(figsize = (10,4),dpi=80)

user_tag.sort_values(ascending=True,inplace=True)

plt.title(label='生鲜平台用户分层对比',
         fontsize=22, color='white',
         backgroundcolor='#334f65', pad=20)

s = plt.barh(user_tag.index,user_tag.values , height=0.8, color=plt.cm.coolwarm_r(np.linspace(0,1,len(user_tag))))
for rect in s:
    width = rect.get_width()
    plt.text(width+40,rect.get_y() + rect.get_height()/2, str(width),ha= 'center')

plt.grid(axis='y')
plt.show()
复制代码
groups_b = datas.groupby(by='user_tag').size()

plt.figure(figsize = (10,6),dpi=80)
plt.title(label='生鲜平台用户分层占比',
         fontsize=22, color='white',
         backgroundcolor='#334f65', pad=20)

explodes = [0.6, 0, 0, 0, 0,0,0.4,0.8]

patches, l_text, p_text = plt.pie(groups_b.values,labels = groups_b.index, shadow=True,colors=plt.cm.coolwarm_r(np.linspace(0,1,len(groups_b))), autopct='%.2f%%', explode=explodes,startangle=370)
plt.legend(ins,bbox_to_anchor=(2, 1.0))
plt.show()
复制代码
四、结论与建议
以上基本完成了RFM模型实现用户分层，可以看出新客户占比30%左右，重要价值客户占比30%左右。两者是平台的最主要用户类型。
接下来就需要结合具体业务来制定运营策略。最后分享的是，现在我们看到最多的招聘需求是具备分析思维。那什么是分析思维。
我的理解是，首先要理解业务，其次要掌握分析方法，要明确分析方法存在的意义是帮助我们将零散业务问题归类，归类的过程形成分析思路，有了分析思路，那你就具备了分析思维。