rfm包做RFM分析

rfm包：RFM分析的工具

概述

用于RFM(recency, frequency and monetary)分析的工具。从事务级和客户级数据生成RFM评分。使用热图、直方图、条形图和散点图来可视化recency, frequency和monetary之间的关系

安装

# Install rfm from CRAN
install.packages("rfm")
# Or the development version from GitHub
# install.packages("devtools")
devtools::install_github("rsquaredacademy/rfm")

文章

• RFM与客户数据

• RFM与交易数据

应用

介绍

RFM((recency, frequency, monetary)分析是一种基于行为的技术，用于通过检查客户的交易历史来细分客户。

• how recently a customer has purchased (recency)

• how often they purchase (frequency)

• how much the customer spends (monetary)

它基于一个营销公理，即80%的业务来自20%的客户。RFM通过将客户划分为不同的类别，帮助识别更有可能对促销做出反应的客户。

数据集

为了计算每个客户的RFM分数，我们需要如下的交易数据:

• a unique customer id

• date of transaction/order

• transaction/order amount

RFM 表格

rfm使用一致的前缀rfm来方便地完成制表补充。使用rfmtable_order()生成RFM分数。

analysis_date <- lubridate::as_date('2006-12-31', tz = 'UTC')
rfm_result <- rfm_table_order(rfm_data_orders, customer_id, order_date, revenue, analysis_date)
rfm_result
#> # A tibble: 995 x 9
#>    customer_id        date_most_recent recency_days transaction_count
#>    <chr>              <date>                  <dbl>             <dbl>
#>  1 Abbey O'Reilly DVM 2006-06-09                205                 6
#>  2 Add Senger         2006-08-13                140                 3
#>  3 Aden Lesch Sr.     2006-06-20                194                 4
#>  4 Admiral Senger     2006-08-21                132                 5
#>  5 Agness O'Keefe     2006-10-02                 90                 9
#>  6 Aileen Barton      2006-10-08                 84                 9
#>  7 Ailene Hermann     2006-03-25                281                 8
#>  8 Aiyanna Bruen PhD  2006-04-29                246                 4
#>  9 Ala Schmidt DDS    2006-01-16                349                 3
#> 10 Alannah Borer      2005-04-21                619                 4
#>    amount recency_score frequency_score monetary_score rfm_score
#>     <dbl>         <int>           <int>          <int>     <dbl>
#>  1    472             3               4              3       343
#>  2    340             4               1              2       412
#>  3    405             3               2              3       323
#>  4    448             4               3              3       433
#>  5    843             5               5              5       555
#>  6    763             5               5              5       555
#>  7    699             3               5              5       355
#>  8    157             3               2              1       321
#>  9    363             2               1              2       212
#> 10    196             1               2              1       121
#> # ... with 985 more rows

热图

热图显示了不同类别的R和F评分的平均M。R和F评分越高，其特点是平均M越高，如热图中较暗的区域所示。

rfm_heatmap(rfm_result)

条形图

使用 rfm_bar_chart()为不同的F和R评分组合生成M评分的分布。

rfm_bar_chart(rfm_result)

直方图

使用 rfm_histograms()检查的相对分布

• monetary value (total revenue generated by each customer)

• recency days (days since the most recent visit for each customer)

• frequency (transaction count for each customer)

rfm_histograms(rfm_result)

客户的订单分布

可视化客户的订单分布。

rfm_order_dist(rfm_result)

散点图

最好的客户是:

• bought most recently

• most often

• and spend the most

现在让我们来研究一下上面的关系

Recency vs Monetary Value

rfm_rm_plot(rfm_result)

Frequency vs Monetary Value

rfm_fm_plot(rfm_result)

Recency vs Frequency

rfm_rf_plot(rfm_result)

获取帮助

如果您遇到bug，请在github上使用reprex提交一个最小的可重现示例。对于问题，请使用StackOverflow。

原文链接： https://rfm.rsquaredacademy.com/

数据人才（ID：datarencai）

（一个帮助数据人才找工作的公众号，

也分享数据人才学习和生活的有趣事情。）

内容推荐