七夕將至, RFM數(shù)據(jù)分析法幫你分析男朋友值不值得嫁

點(diǎn)擊上方“數(shù)據(jù)管道”，選擇“置頂星標(biāo)”公眾號(hào)

干貨福利，第一時(shí)間送達(dá)

一、寫(xiě)在前面

? ??

? ? 馬上就要到七夕了, 本來(lái)我是準(zhǔn)備寫(xiě)RFM分析方法在互聯(lián)網(wǎng)產(chǎn)品中是如何幫助我們進(jìn)行用戶分群的, ?但可能比較無(wú)聊, 就借這個(gè)節(jié)日分享一下這個(gè)方法怎么在生活中的應(yīng)用。

? ? 大家可以將這個(gè)方法學(xué)會(huì)了以后再運(yùn)用的各自的行業(yè)中,?無(wú)論你是互聯(lián)網(wǎng), 還是零售, 還是電商,?只要涉及到用戶分群, 都可以用這個(gè)方法,?這個(gè)方法當(dāng)時(shí)我朋友用一頓烤肉收買我, 我都沒(méi)有告訴她

? ??因?yàn)閺哪猩囊暯莵?lái)說(shuō), 決定一個(gè)男生該不該嫁主要可以把這個(gè)男生劃分成靠譜細(xì)心程度和令你感動(dòng)以及喜歡的程度, 如果這個(gè)男生靠譜程度高, 感動(dòng)程度高, 令你心動(dòng)喜歡的程度高, 那肯定非嫁不可了。

? ? 但就是這種男生非常少, 大多數(shù)可能就是這幾個(gè)特質(zhì)只符合幾個(gè), 比如可能沒(méi)那么靠譜細(xì)心但你很喜歡(顏值很高？), 又或者只是靠譜細(xì)心但還沒(méi)有心動(dòng)的感覺(jué), 這時(shí)候就要去分析到底你的男朋友是屬于在哪一個(gè)層次, 也就決定了你要不要嫁。

? ? 首先我們需要知道這里的 RFM 中的 R, F，M 分別值得是什么。

? ? R 就是男生做的讓你感覺(jué)到靠譜細(xì)心的事情的日期距離現(xiàn)在的天數(shù), 比如他在8.20?那一天凌晨1點(diǎn)給你買了一個(gè)冰可樂(lè)距離現(xiàn)在是4天, R 就是4。

? ??F就是男生在一段時(shí)間內(nèi)做的讓你感覺(jué)到靠譜細(xì)心的事情的頻次, 比如一個(gè)月做了五次 和 一次 是肯定不一樣的, F 就是frequency?頻次.

? ? M 就是做的這些事情每一件事情中讓你感動(dòng)喜歡的程度, 比如同樣做靠譜細(xì)心的事情, 但是你感動(dòng)的程度不一樣, 給你擰開(kāi)瓶蓋肯定是沒(méi)有深夜幫你買冰可樂(lè)來(lái)的感動(dòng)吧。

? ? 如下圖所示

?? ?根據(jù)這個(gè)模型的框架, 我們就可以對(duì)你的男朋友進(jìn)行嫁的的程度進(jìn)行劃分, 如下圖所示

1. 首先我們會(huì)計(jì)算不同的男生的 R, F， M 這三個(gè)指標(biāo), 得到每一個(gè)男生的這三個(gè)數(shù)據(jù)。
   

   
   

2. 然后利用kmeans 的計(jì)算方法, 把R，F(xiàn), M 放進(jìn)模型中進(jìn)行聚類, 模型就會(huì)根據(jù)每個(gè)人的特征, 把他們分到對(duì)應(yīng)的群體中去。

? ?3. 當(dāng)知道你們的男朋友屬于哪一個(gè)群體中去了的時(shí)候, 比如屬于非常值得嫁的那一個(gè)群體, 或者屬于不太值得嫁的那一個(gè)群體, 我們可以做下一步的分析, 非常值得嫁的這一部分群體, 他們都有什么樣的特點(diǎn)。

? ? 比如 都是生長(zhǎng)在背景良好的家庭里, 受過(guò)良好的教育,??顏值一般等特點(diǎn)， 而不值得嫁的那一部分群體可能就是生長(zhǎng)在一般的家庭, 喜歡去玩, 換女朋友速度很快等等

將R, F， M 三個(gè)特征?利用kmeans 聚類的方法就可以把男生聚成八個(gè)類別,?

以下是對(duì)應(yīng)的不同的類別的解讀

? ? 當(dāng)我們通過(guò)聚類的方法將每一種類別的用戶進(jìn)行很好的分層了以后, 屬于叫做建模分層的過(guò)程, ?那么我們需要對(duì)每一個(gè)不同類型的用戶進(jìn)行特點(diǎn)的刻畫(huà)。

? ??一般我們會(huì)分析他們的年齡, 好友的個(gè)數(shù), 地域, 家庭背景, 學(xué)歷, 教育背景等靜態(tài)屬性的數(shù)據(jù), 去幫我們完整的去刻畫(huà)一個(gè)人。

? ? 當(dāng)我們做完對(duì)男生的特點(diǎn)分析的時(shí)候, 就會(huì)對(duì)每一個(gè)群體有一個(gè)清晰的認(rèn)識(shí), oh 原來(lái)好男人值得嫁的男人有這些XXX的特點(diǎn)。

? ??在現(xiàn)實(shí)生活中, 假如你的男朋友已經(jīng)是適合嫁的人, 你就要預(yù)防因?yàn)橐恍┖苄〉拿? 矛盾沒(méi)有及時(shí)溝通, 從而矛盾無(wú)限放大, ?變成不值得嫁的人。

? ? 同時(shí)你也要做好培養(yǎng), 男生是一個(gè)成長(zhǎng)的過(guò)程, 可能你的男朋友現(xiàn)在是相對(duì)值得嫁的類型, 可能當(dāng)你們好好經(jīng)營(yíng)感情的時(shí)候比如打卡情侶應(yīng)該做的100件事情等等, 遇到事情多溝通 有同理心, 多為對(duì)方著想, 慢慢的 你的男朋友可能就會(huì)變成比較值得嫁的類型, 然后再變成非常值得嫁的類型， 如下圖所示。

? ??

數(shù)據(jù)集的格式如圖所示:?pay_datauser    r_c        f_c        m_c7688  0.000000  0.008763  7.275781e-0420037??0.566667??0.000250??7.450600e-0530010  0.066667  0.002253  3.689527e-0441232  1.000000  0.000000  2.108058e-0653165  1.000000  0.000000  1.916416e-07

放進(jìn)模型數(shù)據(jù)集的名字：pay_RFM
  r_c      f_c       m_c0.000000  0.008763  7.275781e-040.566667  0.000250  7.450600e-050.066667  0.002253  3.689527e-041.000000??0.000000??2.108058e-061.000000??0.000000??1.916416e-07#?從pay_data?中抽取?r_c,?f_c,?m_c?三個(gè)特征的數(shù)據(jù)pay_RFM = pay_data[['r_c','f_c','m_c']]
# 開(kāi)始聚類#?選出K，利用拐點(diǎn)from sklearn.cluster import KMeansem=[]ks=range(1,10)for k in ks:    kc=KMeans(n_clusters=k, random_state=1)    kc.fit(pay_RFM)    em.append(kc.inertia_)plt.plot(ks,em)
# 進(jìn)行聚類model_k = KMeans(n_clusters=8,random_state=1)model_k.fit(pay_RFM)cluster_labels?=?model_k.labels_??
#?每個(gè)類別的進(jìn)行計(jì)算類別的個(gè)數(shù),?每個(gè)類別的均值,?最小,?最大值rfm_kmeans = pay_RFM.assign(class1=cluster_labels)num_agg = {'r_c':['mean', 'count','min','max'], 'f_c':['mean', 'count','min','max'],'m_c':['mean','sum','count','min','max']}rfm_kmeans.groupby('class1').agg(num_agg).round(2)
#?將聚類的結(jié)果寫(xiě)入到文檔中, 為了得到每一個(gè)user 對(duì)應(yīng)的類別
pay_data.assign(class1=cluster_labels).to_csv('d:/My Documents/Desktop/result.csv',header=True, sep=',')
# finish