七夕將至, RFM數(shù)據分析法幫你分析男朋友值不值得嫁

? ? 馬上就要到七夕了, 本來我是準備寫RFM分析方法在互聯(lián)網產品中是如何幫助我們進行用戶分群的, ?但可能比較無聊, 就借這個節(jié)日分享一下這個方法怎么在生活中的應用。

? ? 大家可以將這個方法學會了以后再運用的各自的行業(yè)中,?無論你是互聯(lián)網, 還是零售, 還是電商,?只要涉及到用戶分群, 都可以用這個方法,?這個方法當時我朋友用一頓烤肉收買我, 我都沒有告訴她

? ??因為從男生的視角來說, 決定一個男生該不該嫁主要可以把這個男生劃分成靠譜細心程度和令你感動以及喜歡的程度, 如果這個男生靠譜程度高, 感動程度高, 令你心動喜歡的程度高, 那肯定非嫁不可了。

? ? 但就是這種男生非常少, 大多數(shù)可能就是這幾個特質只符合幾個, 比如可能沒那么靠譜細心但你很喜歡(顏值很高？), 又或者只是靠譜細心但還沒有心動的感覺, 這時候就要去分析到底你的男朋友是屬于在哪一個層次, 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到靠譜細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點給你買了一個冰可樂距離現(xiàn)在是4天, R 就是4。

? ??F就是男生在一段時間內做的讓你感覺到靠譜細心的事情的頻次, 比如一個月做了五次 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喜歡的程度, 比如同樣做靠譜細心的事情, 但是你感動的程度不一樣, 給你擰開瓶蓋肯定是沒有深夜幫你買冰可樂來的感動吧。

? ? 如下圖所示

?? ?根據這個模型的框架, 我們就可以對你的男朋友進行嫁的的程度進行劃分, 如下圖所示

1. 首先我們會計算不同的男生的 R, F， M 這三個指標, 得到每一個男生的這三個數(shù)據。
   

   
   

2. 然后利用kmeans 的計算方法, 把R，F(xiàn), M 放進模型中進行聚類, 模型就會根據每個人的特征, 把他們分到對應的群體中去。

? ?3. 當知道你們的男朋友屬于哪一個群體中去了的時候, 比如屬于非常值得嫁的那一個群體, 或者屬于不太值得嫁的那一個群體, 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。

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

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

以下是對應的不同的類別的解讀

? ? 當我們通過聚類的方法將每一種類別的用戶進行很好的分層了以后, 屬于叫做建模分層的過程, ?那么我們需要對每一個不同類型的用戶進行特點的刻畫。

? ??一般我們會分析他們的年齡, 好友的個數(shù), 地域, 家庭背景, 學歷, 教育背景等靜態(tài)屬性的數(shù)據, 去幫我們完整的去刻畫一個人。

? ? 當我們做完對男生的特點分析的時候, 就會對每一個群體有一個清晰的認識, oh 原來好男人值得嫁的男人有這些XXX的特點。

? ??在現(xiàn)實生活中, 假如你的男朋友已經是適合嫁的人, 你就要預防因為一些很小的矛盾, 矛盾沒有及時溝通, 從而矛盾無限放大, ?變成不值得嫁的人。

? ? 同時你也要做好培養(yǎng), 男生是一個成長的過程, 可能你的男朋友現(xiàn)在是相對值得嫁的類型, 可能當你們好好經營感情的時候比如打卡情侶應該做的100件事情等等, 遇到事情多溝通 有同理心, 多為對方著想, 慢慢的 你的男朋友可能就會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

放進模型數(shù)據集的名字：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?三個特征的數(shù)據pay_RFM = pay_data[['r_c','f_c','m_c']]
# 開始聚類#?選出K，利用拐點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)
# 進行聚類model_k = KMeans(n_clusters=8,random_state=1)model_k.fit(pay_RFM)cluster_labels?=?model_k.labels_??
#?每個類別的進行計算類別的個數(shù),?每個類別的均值,?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)
#?將聚類的結果寫入到文檔中, 為了得到每一個user 對應的類別
pay_data.assign(class1=cluster_labels).to_csv('d:/My Documents/Desktop/result.csv',header=True, sep=',')
# finish

如果 你覺得寫的還可以的話， 麻煩點個在看和點贊把

如果你想轉行數(shù)據分析師:?如何快速入行數(shù)據分析師

如果你想了解數(shù)據分析師是干什么的:?一文告訴你月入30k 的數(shù)據分析師, 都在分析什么？

心動不如行動,?關注我吧?