当前位置：首页>python>Python-27-RFM模型

Python-27-RFM模型

2026-10-11 07:17:52

RFM是根据已有的历史消费行为，通过分析给用户进行分类，识别不同价值的客户，然后做精细化营销，提高客户的复购行为。RFM是Recency，Frequency,Monetary三个单词的缩写。

指标	意思	直观判断
Recency -最近消费间隔	最近一次的消费时间	R越小=越好，表示越容易复购
Frequency -消费频次	统计周期内，累计购买的次数	F越大=越好，买的次数，说明忠诚
Monetary -消费金额	周期内累计实付总金额	M越大=越好用户贡献大

R、F、M分别从自己的维度对客户进行分类，然后组合起来，就是这个用户的“标签”。

我们把R、F、M各自以均值为分界线，拆成2档，高于均值的为1，低于均值的为0，这样可以组合成8类人群。当日还是有5分值，以各20%为1分的差，前20%为5分，最后20%为1分，这样就会有5x5x5=125个组合。拆成5份的这种一般用于头部的大企业（商超、美妆、电商等），是精细化分层。拆成2分制的这样，业务比较简单通用，常用这种。

作为分析人员，我们需要知道3个基本信息：用户的唯一编号，下单时间、下单金额。（这里进行细分，一种是整个店的，按用户+店铺，整店汇总；另一种更细的分法是对某个店铺内的品类单独做一份分析。前一种是日常用的标准RFM)

用python操作逻辑

#确定分析数据的截至日期dead_day=pd.to_datetime('2026-06-06')#计算R、F、M的数值，使用分组聚合rmf=df.groupby('userid').agg(  R=('orderdate',lambda x:(dead_day-x.max()).days),  F=('orderid','count'),  M=('amount','sum')  ).reset_index()#求R、F、M三列的均值,用查询与均值比较，分成高为1，低位0两类R_med=rmf['R'].median()rfm['R_value']=np.where(rmf['R']<=R_med,1,0)#将分层标签3个维度拼接起来rfm['rfm_label']   =rfm['R_value'].astype(str)    +rfm['F_value'].astype(str)    +rfm['M_value'].astype(str)#将三位数的数字映射成客户类型rfm['customer_type']=rfm['rfm_label'].map({  '111':'重要价值客户', #金主  '011':'重要保持客户', #唤回来，大额优惠券  '001':'重要挽留客户', #沉睡了，大额优惠吸引  '101':'重要发展客户', #促复购(优惠劵)  '110':'一般价值客户',#提高消费额，满减券  '100':'一般发展客户',#小额无门槛券  '010':'一般保持客户',#通用小券  '000':'流失客户' #算了吧，随缘}) #分别为最后一次购买日期、买的次数，消费的金额。#只要是消费高的都是重要客户