原來用Python實作行銷RFM model，可以那麼簡單！-【附Python程式碼】

本文以Python為主要語言進行RFM實作。在開始程式編輯之前，就讓我們來解析資料內容。

資料欄位

RFM存在至今已過半百，為何大家仍想要引進呢？

因為RFM只需要基本的銷售資料，就能做出強大的顧客分群，等同於市場區隔（Segmentation），且邏輯清晰明瞭。一般的CRM資料一定有有購買者ID、銷售ID、購買時間、購買金額，這麼少的欄位若要進行機器學習其實誤差值是非常大的，這時候RFM就派上用場了，因此本按例就預設以最少的資料欄位進行分析。

以下資料為單一顧客的購買數據(圖2)，是一般銷售數據經過整理後所得的，欄位recency、frequency、recency_cate、frequency_cate是利用orderdate計算出來的，因此嚴格來說這筆資料只有三個欄位，竟然就能做出RFM！

1. clientId：顧客編號。
2. orderdate：顧客最後一次來購買的日期
3. recency（近因）：上一次購買與今天相差天數。
4. gender：性別。人口變數資料，有的話更能細部分析顧客類群。
5. frequency（頻率）：從顧客第一次來開始，到目前共來過幾次。
6. recency_cate：近因天數。
7. frequency_cate：頻率天數。
8. 購買量：該顧客的總購買量。

在開始實作之前，您必須要學會

Python中文顯示

範例資料中含有中文，而Python繪圖並不支援中文字。您可以參考先前文章「解決Python 3 Matplotlib與Seaborn視覺化套件中文顯示問題」，否則若您的資料或圖表中有中文，會出現如圖3情況。當然若要將其資料全部換為英文的話也可輸出，但基於一般在華人區域的CRM資料難免有中文出現，因此建議進行此修改。

FacetGrid繪圖

這是此實作最重要的基礎來源。FacetGrid是Seaborn繪圖套件下的一個繪圖類別，其與一般圖表的差異在於，能夠集合多張圖表於一身，進行多為度的比較，而這正符合三個、甚至多個維度的RFM分析，且配色精美，詳請可見官方文件。

可以先複製以下的程式碼進行試驗，利用官方提供的資料集(圖5)，了解其繪圖的原理。其中可以看到FacetGrid的使用方法，分為整體圖與小圖，FacetGrid方法控制整張圖的資料來源、內容，而小圖譬如說如圖4的左邊一塊，其中的長條圖、顏色、標籤等，利用FacetGrid繪圖主要會分成這兩塊。

整體圖：sns.FacetGrid(資料來源, col=想分析欄位)

小圖：map(小圖表示方式, 小圖示名稱)

import matplotlib.pyplot as plt
import seaborn as snsthetips= sns.load_dataset("tips")
g = sns.FacetGrid(thetips, col="time")
g.map(plt.hist, "tip")

用Python實作RFM

基於以上的基礎，並以FacetGrid的特性，開發出6 X 6的RFM Model。最主要的兩個欄位是recency_cate與frequency_cate，分別控制資料在RFM圖形中的位置，因此只要資料調整到定位，可以簡單利用FacetGrid產出圖片。

比較需要注意的地方在於row_order的參數是給予frequency_label[::-1]，這意思是將陣列frequency_label相反輸出，其原因在於FacetGrid的圖形排列是由左上角開始排列的，對應到frequency的「>5 freq」，因此必須將整個鎮列倒著放。

recency_label =  ['0-7 day', '8-15 day', '16-22 day', '23-30 day', '31-55 day', '>55 day']frequency_label =  ['1 freq', '2 freq', '3 freq', '4 freq', '5 freq', '>5 freq']g = sns.FacetGrid(purchase_list, # 來源資料表
                  col="recency_cate", # X資料來源欄位
                  row="frequency_cate" ,  # Y資料來源欄位
                  col_order=  recency_label,  # X資料順序
                  row_order= frequency_label[::-1], # Y資料順序
                  margin_titles=True
                  )#小圖表部分

小圖示中是以gender（性別）來作為分類，此能依照您不同的資料欄位調整，但建議該欄位的項目不要太多，否則會造成視覺的凌亂，反而失去了RFM Model一目瞭然的意義。

在此範例中只有gender是人口變數，若您的資料有更多相關變數（例如：地址、學歷、家庭等），RFM的分析將會更有意思。

g = g.map_dataframe(sns.barplot, # 資料顯示的模式
                    x= 'gender', # 小圖表X資料來源
                    y ='購買量', # 小圖表Y資料來源
                    palette = sns.color_palette("muted")) #畫布色調g = g.set_axis_labels('光顧天數','購買頻率').add_legend()

 

作者：楊超霆（臺灣行銷研究有限公司 資深資料科學家）