附案例数据和代码不到70行Python代码，轻松玩转RFM用户分析模型( 三 ) _rfm

先引入一个人群数值的辅助列，把之前判断的R\F\M是否大于均值的三个值给串联起来：
人群数值是数值类型，所以位于前面的0就自动略过，比如1代表着“001”的高消费唤回客户人群，10对应着“010”的一般客户。
为了得到最终人群标签，再定义一个判断函数，通过判断人群数值的值，来返回对应的分类标签：
最后把标签分类函数应用到人群数值列：
客户分类工作的完成，宣告着RFM模型建模的结束，每一位客户都有了属于自己的RFM标签。
RFM模型结果分析
其实到上一步，已经走完了整个建模流程，但是呢，一切模型结果最终都要服务于业务，所以，最后我们基于现有模型结果做一些拓展、探索性分析。
查看各类用户占比情况：
探究不同类型客户消费金额贡献占比：
结果可视化之（可视化代码留给大家自行尝试）：
从上面结果，我们可以快速得到一些推断：
再结合金额进行分析：
至此，我们基于订单源数据，按照五步法用完成了RFM模型的建立，并对结果进行了简单的分析。最后，只要把上述代码封装成函数，对于新的数据源，只要一个回车就能够撸出模型，So Easy！
整个案例、数据和完整代码精心花了N周的时间准备，觉得有用的旁友动动小手来一波评论 or 在看吧~
下载地址：
:
【附案例数据和代码不到70行Python代码，轻松玩转RFM用户分析模型】或后台回复“用户分析"，获取网盘形式存储的数据

附案例数据和代码 不到70行Python代码，轻松玩转RFM用户分析模型( 三 )

附案例数据和代码不到70行Python代码，轻松玩转RFM用户分析模型( 三 )