RFM模型

---

在眾多的客戶價值分析模型中，RFM模型是被廣泛應(yīng)用的，尤其在零售和企業(yè)服務(wù)領(lǐng)域堪稱經(jīng)典的分類手段。它的核心定義從基本的交易數(shù)據(jù)中來，借助恰當(dāng)?shù)木垲愃惴?#xff0c;反映出對客戶較為直觀的分類指示，對于沒有數(shù)據(jù)分析和機(jī)器學(xué)習(xí)技術(shù)支撐的初創(chuàng)企業(yè)，它是簡單易上手的客戶分析途徑之一。

RFM模型主要有三項(xiàng)指標(biāo)：

Recency：最近消費(fèi)時間間隔

Frequency：消費(fèi)頻率

Monetary：消費(fèi)金額

我們?yōu)榭蛻粼谶@三項(xiàng)指標(biāo)上進(jìn)行打分，那么總共會有27種組合的可能，使用K-Means算法，能夠縮減到指定的有限數(shù)量的分箱（一般會為5類），計算出每個客戶在分箱的位置即客戶的價值。

當(dāng)然RFM模型還有更多衍生版本，可以參考WiKi：RFM (customer value)。

ML.NET和K-Means

---

ML.NET自v0.2版本就提供了K-Means++ clustering的實(shí)現(xiàn)，也是非監(jiān)督學(xué)習(xí)最常見的訓(xùn)練，正好適用于為RFM模型的分類執(zhí)行機(jī)器學(xué)習(xí)。

動手實(shí)踐

---

基本要求

• Visual Studio 2017 或者 Visual Studio Code

• DotNet Core 2.0+

• ML.NET v0.3

數(shù)據(jù)來源

本案例數(shù)據(jù)來自UCI：Online Retail，這是一個跨國數(shù)據(jù)集，其中包含2010年12月1日至2011年12月9日期間在英國注冊的非商店在線零售業(yè)務(wù)中發(fā)生的所有交易。該公司主要銷售獨(dú)特的全場禮品。該公司的許多客戶都是批發(fā)商。

屬性信息：

InvoiceNo：發(fā)票編號。標(biāo)稱值，為每個事務(wù)唯一分配的6位整數(shù)。如果此代碼以字母'c'開頭，則表示取消。

StockCode：產(chǎn)品（項(xiàng)目）代碼。標(biāo)稱值，為每個不同的產(chǎn)品唯一分配的5位整數(shù)。

Description：產(chǎn)品（項(xiàng)目）名稱。標(biāo)稱。

Quantity：每筆交易的每件產(chǎn)品（項(xiàng)目）的數(shù)量。數(shù)字。

InvoiceDate：發(fā)票日期和時間。數(shù)字，生成每個事務(wù)的日期和時間。

UnitPrice：單價。數(shù)字，英鎊單位產(chǎn)品價格。

CustomerID：客戶編號。標(biāo)稱值，為每個客戶唯一分配的5位整數(shù)。

Country：國家名稱。每個客戶所在國家/地區(qū)的名稱。

數(shù)據(jù)處理

使用Excel，對原始數(shù)據(jù)增加4個字段，分別是Amount（金額，單價與數(shù)量相乘的結(jié)果）、Date（InvoiceDate的整數(shù)值）、Today（當(dāng)天日期的整數(shù)值）、DateDiff（當(dāng)天與Date的差值）。

建立透視圖，獲取每個客戶在Amount上的總和，DateDiff的最大和最小值，并且通過計算公式Amount/(DateDiff最大值-DateDiff最小值+1)算出頻率值。

按照以下規(guī)則計算RFM的評分

• R：(DateDiff最大值- DateDiff最小值-2000)的差值，小于480計3分，480-570之間計2分，570-750之間計1分，大于750計0分。

• F：頻率值，大于1000計5分，500-1000之間計4分，100-500之間計3分，50-100之間計2分，0-50之間計1分，小于0計0分。
  

• M：Amount總和值，大于10000計5分，5000-10000之間計4分，2000-5000之間計3分，1000-2000之間計2分，0-1000之間計1分，小于0計0分。

有小伙伴可能存在疑問，為什么要這么劃分，其實(shí)這就是對數(shù)據(jù)分布合理分段的一種思想，為了減小數(shù)據(jù)源的不平衡性對機(jī)器學(xué)習(xí)的影響，我們盡量使得數(shù)據(jù)的分布是自然的。

編碼部分

還是熟悉的味道，創(chuàng)建DotNet Core控制臺應(yīng)用程序，通過Nuget添加對ML.NET的引用。

• 創(chuàng)建用于學(xué)習(xí)的數(shù)據(jù)結(jié)構(gòu)

訓(xùn)練部分

評估部分

預(yù)測部分

調(diào)用部分

運(yùn)行結(jié)果

可以看到，我用于測試的客戶，被分到了第2類上面。

盡管完成了聚類的工作，對于學(xué)習(xí)出來的這5個類別，仍然需要按原始數(shù)據(jù)集全部遍歷預(yù)測出對應(yīng)的分類，根據(jù)客戶的RFM評分與分類的對應(yīng)關(guān)系，才能夠?qū)γ總€類別的意義進(jìn)行有效地解釋。

結(jié)尾

---

這個簡單的案例為大家展示了使用ML.NET完成聚類的機(jī)器學(xué)習(xí)。對于想要上手針對自己公司的業(yè)務(wù)，進(jìn)行一些門檻較低的客戶分析，使用ML.NET將是一個不錯的選擇。當(dāng)然ML.NET還在不斷迭代中，希望大家持續(xù)關(guān)注新的特性功能發(fā)布。

原文地址：https://www.cnblogs.com/BeanHsiang/p/9438581.html

.NET社區(qū)新聞，深度好文，歡迎訪問公眾號文章匯總 http://www.csharpkit.com

總結(jié)

以上是生活随笔為你收集整理的使用ML.NET实现基于RFM模型的客户价值分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。