接上文：不到70行Python代码，轻松玩转RFM用户分析模型（附案例数据和代码）（一）

05  客户分层

回顾一下前几步操作，清洗完之后我们确定了打分逻辑，然后分别计算每个用户的R、F、M分值（SCORE)，随后，用分值和对应的平均值进行对比，得到了是否大于均值的三列结果。至此，建模所需的所有数据已经准备就绪，剩下的就是客户分层了。

RFM经典的分层会按照R/F/M每一项指标是否高于平均值，把用户划分为8类，我们总结了一下，具体像下面表格这样：

由于传统的分类，部分名称有些拧巴，像大多数分类前都冠以“重要”，“潜力”和“深耕”到底有什么区别？“唤回”和“挽回”有什么不一样？

本着清晰至上原则，我们对原来的名称做了适当的改进。强调了潜力是针对消费（平均支付金额），深耕是为了提升消费频次，以及重要唤回客户其实和重要价值客户非常相似，只是最近没有回购了而已，应该做流失预警等等。这里只是抛砖引玉，提供一个思路，总之，一切都是为了更易理解。

对于每一类客户的特征，我们也做了简单的诠释，比如重要价值客户，就是最近购买我们的产品，且在整个消费生命周期中购买频次较高，平均每次支付金额也高。其他的分类也是一样逻辑，可以结合诠释来强化理解。下面，我们就用Python来实现这一分类。

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：

• 客户流失情况严峻，高消费唤回客户、流失客户占比超过50%，怎么样制定针对性唤回策略迫在眉睫。
  
• 重要价值客户占比仅2.97%，还有三个客户占比甚至不足2%，我们模型打分可能不够科学，可以进一步调整打分区间进行优化。
  
• ...
  

再结合金额进行分析：

• 高消费唤回客户人数占比28.87%，金额占比上升到了38.11%，这部分客户是消费的中流砥柱，他们为什么流失，应结合订单和购买行为数据进一步展开挖掘。
  
• 频次深耕客户金额占比紧随其后，这部分客户的特征是近期有消费、消费频次低、消费金额高，和高消费唤回客户仅有购买时间上的不同，如何避免这部分客户向高消费唤回客户的流转是我们要思考的主要命题。
  
• 流失客户人数占比26.28%，金额占比仅12.66%，这部分客户中有多少是褥羊毛用户，有多少是目标用户，对我们引流策略能够进行怎么样的指导和调整？
  
• .....
  

至此，我们基于订单源数据，按照五步法用Python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！