《Python數(shù)據(jù)分析與應用案例教程》（李兆延）教案 第23課 RFM模型分析

課題第23課RFM模型分析課時2課時（90min）教學目標知識技能目標：（1）了解什么是RFM模型（2）練習使用Scikit-learn的K-Means聚類算法聚類客戶（3）練習通過RFM模型分析客戶價值素質(zhì)目標：踐行“以人為本”的理念，尊重他人，順應發(fā)展教學重難點教學重點：使用Scikit-learn的K-Means聚類算法聚類客戶教學難點：通過RFM模型分析客戶價值教學方法案例分析法、問答法、討論法、講授法教學用具電腦、投影儀、多媒體課件、教材、文旌課堂APP教學設計第1節(jié)課：→→傳授新知（28min）→課堂實踐（10min）第2節(jié)課：→傳授新知（20min）→課堂討論（12min）→課堂小結(jié)（3min）→作業(yè)布置（2min）教學過程主要教學內(nèi)容及步驟設計意圖第一節(jié)課考勤

（2min）【教師】使用文旌課堂APP進行簽到【學生】按照老師要求簽到培養(yǎng)學生的組織紀律性，掌握學生的出勤情況問題導入（5min）【教師】提出問題我們已經(jīng)學習了客戶價值分析的內(nèi)容，那么如何進行客戶群體分析呢？【學生】思考、舉手回答通過提問的方法，了解學生對數(shù)據(jù)分析的知識，進而引出新知傳授新知

（28min）【教師】總結(jié)學生的回答，并引入新知，講解通過RFM模型的相關知識8.3RFM模型分析?【教師】提出問題使用RFM模型分析客戶價值包含哪些部分？?【學生】聆聽、思考、主動回答問題?【教師】總結(jié)學生的回答，并講解新知使用RFM模型分析客戶價值主要包含兩個部分：第一，根據(jù)3個特征值的數(shù)據(jù)，對客戶進行聚類分群；第二，結(jié)合業(yè)務對每個客戶群體進行特征分析，分析其客戶價值。8.3.1RFM模型?【教師】提出問題什么是RFM模型？?【學生】聆聽、思考、主動回答問題?【教師】總結(jié)學生的回答，并講解新知RFM模型是一個經(jīng)典的客戶價值分析模型，它將最近消費時間間隔（recency）、消費頻率（frequency）、消費金額（monetary）三大指標作為衡量標準描述客戶的價值狀況。?【教師】提出問題什么是最近消費時間間隔？?【學生】聆聽、思考、主動回答問題?【教師】總結(jié)學生的回答，并講解新知（1）最近消費時間間隔（以下簡稱R）是指客戶上一次的消費時間和統(tǒng)計當天的間隔。R的值越小，說明客戶的下單間隔越小。如果R的值很大，則可認為該客戶存在流失風險或已流失，在這類客戶中，可能存在一些優(yōu)質(zhì)客戶，值得商家通過一定的營銷手段進行“喚醒”。?【教師】提出問題什么是消費頻率？?【學生】聆聽、思考、主動回答問題?【教師】總結(jié)學生的回答，并講解新知（2）消費頻率（以下簡稱F）是指客戶在一段時間內(nèi)的購買次數(shù)。F能夠體現(xiàn)客戶的忠誠度，其值越大，表示客戶在本店鋪消費越頻繁，不僅能為店鋪帶來人氣，還能帶來穩(wěn)定的現(xiàn)金流。除忠誠度外，影響F的因素還包括商品價格、生命周期、品類等。例如，手機、筆記本電腦等商品的價格昂貴，生命周期通常在1～3年，因此3C數(shù)碼店鋪的F值通常較?。欢沼冒儇?、副食水果等商品的價格便宜，商品購買周期可能只有數(shù)天，因此超市的F值通常較大。這個例子說明，跨品類比較F的值是沒有意義的。此外，從上述例子中還可以看出，F(xiàn)更適用于品類較多、規(guī)模較大的店鋪。因此，對于一些品類較為單一、規(guī)模較小的店鋪，用客戶的歷史總購買次數(shù)作為F的值更有參考價值。?【教師】提出問題什么是消費金額？?【學生】聆聽、思考、主動回答問題?【教師】總結(jié)學生的回答，并講解新知（3）消費金額（以下簡稱M）是指客戶在一段時間內(nèi)的消費金額。M的值越大，說明客戶在本店鋪的消費金額越高，其對店鋪的價值也越高。與F類似，對于小店鋪而言，也可將客戶的總消費金額作為M的值。?【教師】多媒體出示RFM分析模型圖（詳見教材），講解客戶分類在獲取店鋪所有客戶的RFM指標后，需要根據(jù)整體數(shù)據(jù)情況為每個指標確定判定值（一般為各指標數(shù)據(jù)的平均值），通過將每位客戶的指標數(shù)據(jù)與判定值進行比較，即可將客戶細分為8種類型：重要價值客戶、重要發(fā)展客戶、重要保持客戶、重要挽留客戶、一般價值客戶、一般發(fā)展客戶、一般保持客戶和一般挽留客戶，如圖所示?！咎崾尽拷處熤v解客戶分類數(shù)的相關知識?【學生】聆聽、思考本次采集的房源數(shù)據(jù)中，西城區(qū)的房源均價最高，平谷區(qū)的房源均價最低，且相差較大；均價超過10萬元的區(qū)有東城和西城；朝陽區(qū)的房源數(shù)量最多，其均價處于中間水平。?【教師】多媒體出示針對不同價值客戶的營銷策略表（詳見教材），講解不同客戶的營銷策略客戶類型營銷策略重要價值客戶這類客戶的價值較高，應為其傾斜更多資源，向其提供VIP服務、高級定制服務等重要發(fā)展客戶這類客戶的消費頻率較低，應進一步挖掘客戶需求，通過發(fā)放優(yōu)惠券、紅包或提升會員權益等方式提高他們的消費頻率重要保持客戶這類客戶的最近消費時間間隔較長，可在店鋪有促銷活動時采取郵件推送、短信提醒等方式主動和他們保持聯(lián)系，提高復購率重要挽留客戶（續(xù)表）客戶類型營銷策略一般價值客戶這類客戶較為活躍，但消費金額較低，屬于價格敏感型客戶，可先通過性價比較高的商品在其心中奠定口碑和品牌信譽，從而使其逐步提高消費金額一般發(fā)展客戶這類客戶通常屬于店鋪新客，對店鋪的了解有限，因此需要利用會員權限、新客優(yōu)惠券等形式提高客戶興趣，在其心中創(chuàng)立品牌知名度一般保持客戶這類客戶可能只是偶然在店鋪購買過商品，對店鋪的印象不深，因此可采用積分、節(jié)日問候、折扣等形式吸引客戶一般挽留客戶這類客戶應采取一定的挽留策略，但不宜為此投入過多店鋪資源8.3.2聚類算法1．什么是聚類?【教師】提出問題什么是聚類？?【學生】聆聽、思考、主動回答問題?【教師】總結(jié)學生的回答，并講解新知聚類類似于分類，不同的是聚類沒有給定劃分類別，而是通過一定的算法自動分類。即按某個特定標準把一個數(shù)據(jù)集分割成不同的類，使得同一個類中的數(shù)據(jù)之間相似性盡可能大，同時不在同一個類中的數(shù)據(jù)之間差異性也盡可能大?？梢姡垲惡笸活惖臄?shù)據(jù)盡可能聚集到一起，不同類數(shù)據(jù)盡量分離。2．K-Means聚類算法?【教師】提出問題什么是K-Means聚類算法？?【學生】聆聽、思考、主動回答問題?【教師】總結(jié)學生的回答，并講解新知聚類算法中最典型的是K-Means聚類算法，也稱K均值聚類算法。它采用距離作為相似性的評價指標，即認為兩個樣本數(shù)據(jù)的距離越近，其相似度就越大。而且，該算法認為類是由距離靠近的數(shù)據(jù)組成的，因此其最終目標是獲得緊湊且獨立的類。K均值聚類算法憑借原理簡單、實現(xiàn)容易和收斂速度快等優(yōu)點在多個領域有著廣泛的應用，如發(fā)現(xiàn)不同的客戶群（商業(yè)領域）、對基因進行分類（生物領域）、向客戶提供更合適的服務（電子商務）等?！緦W生】聆聽、思考、理解、記憶通過教師講解、課堂討論、多媒體演示等方式，使學生了解RFM模型的相關知識，包括模型分析及聚類算法課堂討論

（10min）【教師】提出問題：什么是聚類模塊？【學生】聆聽、思考、討論、小組代表回答問題【教師】總結(jié)學生的回答機器學習庫Scikit-learn提供了cluster模塊用于聚類分析，該模塊包含了多種聚類算法。通過KMeans()函數(shù)可以創(chuàng)建K-Means聚類模型，其一般格式如下。KMeans(n_clusters=8)其中，n_clusters表示客戶類別數(shù)量，為整型，最大值為8，默認為最大值。創(chuàng)建模型后，須使用其fit()函數(shù)計算K-Means聚類的屬性，常用的屬性有cluster_centers_。通過課堂討論，加深學生對聚類知識的理解第二節(jié)課問題導入（8min）【教師】提出問題我們已經(jīng)學習了RFM模型的基本知識，那么如何構建RFM模型呢？【學生】聆聽、思考、回答問題通過提問的方法，引導學生主動思考，激發(fā)學生的學習興趣傳授新知（20min）【教師】總結(jié)學生的回答，并引入新知，講解RFM模型特征值構建和標準化的相關知識8.3.3RFM模型特征值構建和標準化1．特征值構建?【教師】按照教材進行問題分析并按照步驟進行特征值構建的分析演示：該女裝店鋪的RFM模型的特征值可以通過數(shù)據(jù)中的下單日期、歷史總訂單數(shù)和總交易金額得到。此處，首先，將下單日期及其最大值轉(zhuǎn)換成時間型數(shù)據(jù)，相減后將時間差轉(zhuǎn)換成天數(shù)，并添加到最近消費時間間隔列；接著，將歷史總訂單數(shù)中的“+”使用空字符替換，并將數(shù)值轉(zhuǎn)換為整型；然后，選擇買家昵稱、最近消費時間間隔、歷史總訂單數(shù)和總交易金額創(chuàng)建DataFrame對象；最后，修改該對象的列標簽，并設置買家昵稱列為行標簽，輸出數(shù)據(jù)。實現(xiàn)代碼如下。importpandasaspdimportnumpyasnpdf=pd.read_excel('女裝銷售數(shù)據(jù).xlsx')pd.set_option('display.unicode.east_asian_width',True)#特征值構建df['最近消費時間間隔']=(pd.to_datetime(df['下單日期'].max())-pd.to_datetime(df['下單日期']))/np.timedelta64(1,'D')df['歷史總訂單數(shù)（單）']=df['歷史總訂單數(shù)（單）'].apply(lambdax:xiftype(x)!=strelsex.replace('+','')).astype('int')df_temp=df[['買家昵稱','最近消費時間間隔','歷史總訂單數(shù)（單）','總交易金額（元）']]df_temp=df_temp.rename(columns={'最近消費時間間隔':'R-最近消費時間間隔','歷史總訂單數(shù)（單）':'F-消費頻率','總交易金額（元）':'M-消費金額'})df_temp=df_temp.set_index(['買家昵稱'])print(df_temp)（詳見教材）?【學生】觀察、記錄、理解?【學生】教師演示完成后，學生按照教材提示和教師演示進行實際操作，并對比程序運行結(jié)果（詳見教材）?【教師】巡視課堂記錄，對學生進行個別指導?【提示】教師講解timedelta64()函數(shù)的相關知識?【學生】聆聽、思考2．特征值標準化?【教師】按照教材進行問題分析并按照步驟進行特征值標準化的演示：由于每個特征值的量綱和取值范圍不同，可能會對數(shù)據(jù)分析的結(jié)果造成影響，因此須對其進行準化處理。此處，使用標準差標準化數(shù)據(jù)，即每列數(shù)據(jù)減去列均值后除以列標準差，然后輸出標準化后的特征值。實現(xiàn)代碼如下。df_std=(df_temp-df_temp.mean(axis=0))/df_temp.std(axis=0)print(df_std)（詳見教材）?【學生】觀察、記錄、理解?【學生】教師演示完成后，學生按照教材提示和教師演示進行實際操作，并對比程序運行結(jié)果（詳見教材）?【教師】巡視課堂記錄，對學生進行個別指導8.3.4店鋪客戶價值分析1．客戶聚類?【教師】按照教材進行問題分析并按照步驟進行客戶聚類的演示：為了清晰地分析客戶，須通過聚類模型標記客戶類別。此處，首先導入Scikit-learn庫的cluster模塊；然后設置客戶類別數(shù)量為4（結(jié)合業(yè)務的理解與分析來確定），使用KMeans()函數(shù)創(chuàng)建聚類模型；最后使用fit()函數(shù)計算聚類算法的屬性，將labels_屬性添加到數(shù)據(jù)的客戶類別列，并輸出數(shù)據(jù)。實現(xiàn)代碼如下。fromsklearnimportclusterk=4 #設置客戶類別數(shù)量kmodel=cluster.KMeans(n_clusters=k) #創(chuàng)建聚類模型kmodel.fit(df_std) #計算聚類算法的屬性df_temp['客戶類別']=kmodel.labels_print(df_temp)接下來，根據(jù)客戶類別計算以上4類客戶的RFM的值和客戶數(shù)，并選取R、F和M值的均值作為判定值。此處，將數(shù)據(jù)按客戶類別分組及求分組數(shù)據(jù)的均值（R、F和M的值）；然后將分組數(shù)據(jù)的統(tǒng)計個數(shù)添加到客戶數(shù)列；最后按列求均值并添加到判定值行，輸出數(shù)據(jù)。實現(xiàn)代碼如下。df_mean=df_temp.groupby('客戶類別').mean()df_mean['客戶數(shù)']=df_temp.groupby('客戶類別').size()df_mean.loc['判定值']=df_mean.mean()print(df_mean)（詳見教材）?【學生】觀察、記錄、理解?【學生】教師演示完成后，學生按照教材提示和教師演示進行實際操作，并對比程序運行結(jié)果（詳見教材）?【教師】巡視課堂記錄，對學生進行個別指導?【提示】教師講解重復聚類的相關知識?【學生】聆聽、思考2．客戶價值分析?【教師】多媒體出示女裝店鋪客戶價值分析的RFM分析模型，并進行詳細講解RFM客戶類別客戶分類客戶數(shù)排名低低低0一般挽留客戶754低高高1重要保持客戶112高低低2一般發(fā)展客戶743高高高3重要價值客戶31（1）一般挽留客戶：R、F和M的值都較低，表明這些客戶在很長時間沒有在店鋪進行消費了，且消費次數(shù)和消費金額也較少，但客戶所占比例較大。針對這類客戶，店鋪可以適當采取推送促銷信息等挽留策略，但不宜為此投入過多店鋪資源。（2）重要保持客戶：R的值低，F(xiàn)和M的值較高，表明這些客戶很長時間沒有在店鋪進行消費了，但消費次數(shù)和消費金額較多。針對這類客戶，可在店鋪有促銷活動時采取郵件推送、短信提醒等方式主動和他們保持聯(lián)系，提高復購率。（3）一般發(fā)展客戶：R的值較高，F(xiàn)和M的值低，表明這些客戶近期在店鋪消費過，但消費次數(shù)和消費金額少，可能是店鋪的新客戶，對店鋪了解較少。雖然他們當前的價值不是很高，但卻有很大的發(fā)展?jié)摿?，且客戶所占比例較大。針對這類客戶，店鋪可以用會員權限、新客優(yōu)惠券等形式提高客戶