细分客户群是向客户提供个性化体验的关键。它可以提供关于客户行为、习惯与偏好的相关信息，帮助企业提供量身定制的营销活动从而改善客户体验。在业界人们往往把他吹嘘成提高收入的万能药，但实际上这个操作并不复杂，本文就将带你用简单的代码实现这一项目。
客户细分
我们需要创建什么？
通过使用消费交易数据，我们将会通过创建一个2 x 2的有价值属性的矩阵来得到4个客户群。每一个客户群将与其他群体有两大区别，即当前客户价值和潜在客户价值。
我们将使用什么技术？
我们将使用RFM模型从消费交易数据中创建所需变量。RFM模型代表：
● 最近消费（Recency）：他们最近一次消费是什么时候？● 消费频率（Frequency）：他们多久消费一次、一次消费多久？
● 消费金额（Monetary）：他们消费了多少？
该模型通常被用于在三个属性交叉处寻找高价值客户。但在本例中，我们将仅适用R（最近消费）与M（消费金额）来创建二维矩阵。
RFM模型
我们使用什么数据？
我们将使用Tableau提供的消费数据样本——它也被称为“Global Superstore”。它通常被用于预测与时间序列分析。该数据集包含超过1500位不同客户4年的消费数据。既然我们做的是行为细分而非人口细分，我们将通过仅选择B2C领域的消费者以及美国区域的消费数据来去除潜在的人口偏差。
我们采取什么方法？
第0步：导入、筛选、清理、合并消费者层级数据。
第1步：为每一位消费者创建RFM变量。
第2步：为实现自动细分，我们将使用R与M变量的80%分位数；我们其实还可以用k均值聚类（K-mean Clustering）或者利用商业背景知识来进行群体区分——比如，全球超市企业用户将活跃客户定义为最近一次订单在100天内的客户。
第3步：计算RM分数，并对客户进行排序。
第4步：可视化价值矩阵，并对关键指标进行进一步分析。
Python实现：
第0步：导入、筛选、清理、合并消费者层级数据。
第1步：为每一位消费者创建RFM变量。
第2步：使用R与M变量的80%分位数实现自动细分。
第3步：计算RM分数，并对客户进行排序。
第4步：可视化价值矩阵，并对关键指标进行进一步分析。
# 1) Average Monetary Matrix
df_RFM_M = df_RFM_SUM.pivot(index='M', columns='R', values='Monetary')
df_RFM_M= df_RFM_M.reset_index().sort_values(['M'], ascending = False).set_index(['M'])
df_RFM_M
# 2) Number of Customer Matrix
df_RFM_C = df_RFM_SUM.pivot(index='M', columns='R', values='Customer ID')
df_RFM_C= df_RFM_C.reset_index().sort_values(['M'], ascending = False).set_index(['M'])
df_RFM_C
# 3) Recency Matrix
最终矩阵（左上：流失客户；右上：明星客户；左下：次要客户；右下：新客户）
一些简单的销售与营销策略的启发性实例
“流失客户”分类中的客户人数不是很多，并且从他们身上得到的的平均收入高于“明星客户”分类。既然人数不多，从客户层面与业务部门合作对这些客户进行分析研究并制定一个留住他们的策略应该不难：给他们打电话或者直接见面，说不定就可以把他们挪到“明星客户”分类（例如，高参与度客户）。
“次要客户”分类的平均最近消费时间非常久远（超过1年，而参与度较高的客户平均来说该数据只有60至70天）。发起一些发放优惠券一类的营销活动可能能够带来新的消费，并帮助把该类客户挪至“新客户”分类（例如，高参与度客户）。
简单策略实例（上：打电话；下：电邮营销）
原文发布时间为：2018-10-24
本文作者：张秋玥、罗然、云舟
