本篇背景先講Python對產(chǎn)品經(jīng)理的作用是分析產(chǎn)品，便于做出更科學(xué)的產(chǎn)品決策；然后詳細(xì)講解Python分析RFM的方法和步驟，最后分析并建立RFM模型。結(jié)果輸出基于Python可視化分析的產(chǎn)品優(yōu)化觀點(diǎn)。

一千個(gè)觀眾眼中有一千個(gè)漢姆雷特，一千個(gè)產(chǎn)品經(jīng)理眼中有一千種Python的看法！人生苦短，我用Python做產(chǎn)品決策分析。

不忍心讓數(shù)據(jù)分析工具的門檻占用產(chǎn)品經(jīng)理太長的時(shí)間，更為了幫你節(jié)省尋覓數(shù)據(jù)分析工具的時(shí)間，筆者LineLian爭取用一篇文章透析Python做數(shù)據(jù)產(chǎn)品分析RFM模型！

另外不建議產(chǎn)品經(jīng)理寫代碼，但是數(shù)據(jù)產(chǎn)品經(jīng)理和AI產(chǎn)品經(jīng)理得能看懂Python代碼。畢竟騰訊等大廠在招聘產(chǎn)品經(jīng)理的JD中已經(jīng)公開要求產(chǎn)品經(jīng)理懂Python招聘信息如下圖：

一、什么是RFM模型?

RFM最簡單的理解如下圖：

RFM模型的作用：

RFM模型分析的結(jié)果能夠幫產(chǎn)品驅(qū)動運(yùn)營制定合適的推廣運(yùn)營方案和選擇適合的產(chǎn)品或服務(wù)提供給更精準(zhǔn)的目標(biāo)用戶層。

RFM分析的前提條件：

1. 最近有過交易行為的客戶，再次發(fā)生交易行為的可能性高于最近沒有交易行為的客戶。
2. 交易頻率高的客戶，比交易頻率低的客戶，更有可能再次發(fā)生交易行為。
3. 過去所有交易總金額較大的客戶，比過去所有交易總金額較小的客戶，更有消費(fèi)積極性。

怎么分析RFM模型？

RFM模型有很多中分析方法，筆者推薦兩種工具，其一是Python，其二是EXCEL（本篇為上篇，故此先講Python分析RFM，下篇再講EXCEL分析RFM模型）。

少量的用戶數(shù)據(jù)用EXCEL，具體量是多少呢一般5萬條以內(nèi)。大量的數(shù)據(jù)（大于5萬條用戶數(shù)據(jù)以上）或者說是大數(shù)據(jù)建議用Python體系做RFM模型。當(dāng)然數(shù)據(jù)量小的也可以用Python。甚至可以做個(gè)Python模型，無論多少數(shù)據(jù)往模型一套，可以輸出產(chǎn)品經(jīng)理有用的決策信息即可。

二、用Python建立和分析RFM模型有幾步？

第一步：確定要分析的產(chǎn)品數(shù)據(jù)源

源數(shù)據(jù)，本文數(shù)據(jù)集如果有需要的話，可以公眾號LineLian數(shù)智產(chǎn)品窗口聯(lián)系獲取。如果覺得本文寫的還不錯(cuò)，可以關(guān)注一下，獲取更多精彩文章。

原始數(shù)據(jù)集在這里先展示一下，讓數(shù)據(jù)處理前對這個(gè)數(shù)據(jù)有一個(gè)主觀印象。

從上圖可見數(shù)據(jù)分為9列，其中訂單狀態(tài)中有退款的。

第二步：數(shù)據(jù)清洗

（1）將上面源數(shù)據(jù)引入到Pyhon工具，進(jìn)行數(shù)據(jù)清洗。實(shí)操如下圖所示：

（2）引入源數(shù)據(jù)，并刪除退款行數(shù)據(jù)。然后對要分析的關(guān)鍵字進(jìn)行關(guān)鍵字提取。

（3）構(gòu)造最近購買時(shí)間R

（4）構(gòu)造購買頻次F

（5）統(tǒng)計(jì)購買金額M

（6）合并RFM

第三步：用戶分層打分確認(rèn)分層的維度表如下

第四步：計(jì)算RFM-SCORE分值

先計(jì)算R值，再計(jì)算F、M的值，然后和平均值對比，減少用戶分類的數(shù)量。再后是對用戶分層，構(gòu)建合并指標(biāo)。

第五步：統(tǒng)計(jì)人數(shù)和金額

（1）統(tǒng)計(jì)人數(shù)

（2）統(tǒng)計(jì)金額

第六步：構(gòu)造轉(zhuǎn)換函數(shù)

判斷R/F/M的值是否大于均值，然后與第三步中的用戶分層維度表對照，以轉(zhuǎn)換判斷客戶類型。

第七步：Python下獲得RFM的結(jié)果

第八步：做數(shù)據(jù)可視化

（1）先得到人數(shù)和人數(shù)占比的可視化，人數(shù)和人數(shù)占比的可視化代碼如下圖：

人數(shù)和人數(shù)占比的可視化的結(jié)果如下圖：

（2）在做消費(fèi)金額和金額占比可視化，可視化代碼如下圖：

消費(fèi)金額和消費(fèi)金額占比可視化圖如下圖：

第九步：產(chǎn)品或者運(yùn)營人員對Python分析的RFM圖像進(jìn)行講解

（1）通過上面的分析可見，流失用戶占比比較高，占到了54.13%，流失用戶，表示最后一購買時(shí)間很長，金額小，訂單少，說明產(chǎn)品實(shí)現(xiàn)了一定的拉新，但是留存率比較低。產(chǎn)品接下來的工作重點(diǎn)應(yīng)該是針對流失客戶的需求設(shè)計(jì)。

（2）通過上面的分析可見消費(fèi)金額高但是待喚回的客戶占比也較高，占比68.49%。高消費(fèi)待喚回用戶指的是做出過很大消費(fèi)，但是很久沒有回來再次消費(fèi)了。已經(jīng)臨近流失邊緣，因此這部分用戶產(chǎn)品可以驅(qū)動運(yùn)營適當(dāng)提高用戶產(chǎn)品服務(wù)的信息觸達(dá)。讓用戶真正感知到服務(wù)和產(chǎn)品的溫度。

小結(jié)

筆者LineLian撰寫產(chǎn)品經(jīng)理系列文章的基本邏輯是：先寫產(chǎn)品經(jīng)理，再寫數(shù)據(jù)產(chǎn)品經(jīng)理，最后的落腳點(diǎn)是講AI產(chǎn)品經(jīng)理，因?yàn)檫@是一個(gè)遞進(jìn)的過程，首先產(chǎn)品會逐漸累積數(shù)據(jù)，數(shù)據(jù)需要分析，數(shù)據(jù)到了分析決策產(chǎn)品優(yōu)化的階段就誕生了數(shù)據(jù)產(chǎn)品經(jīng)理，但是僅僅有數(shù)據(jù)是不夠的，數(shù)據(jù)需要智慧，智慧在呼喊AI產(chǎn)品經(jīng)理，下篇計(jì)劃更新AI神經(jīng)網(wǎng)絡(luò)產(chǎn)品。

如果你想系統(tǒng)化入門AI產(chǎn)品經(jīng)理，掌握AI產(chǎn)品經(jīng)理的落地工作方法，戳這里>http://996.pm/7bjab

#相關(guān)閱讀#

產(chǎn)品經(jīng)理10大基礎(chǔ)技能（1）：讀透SQL

產(chǎn)品經(jīng)理10大基礎(chǔ)技能（2）：讀透模型

產(chǎn)品經(jīng)理10大基礎(chǔ)技能（3）：讀懂?dāng)?shù)據(jù)倉庫

#專欄作家#

連詩路，公眾號：LineLian。人人都是產(chǎn)品經(jīng)理專欄作家，《產(chǎn)品進(jìn)化論：AI+時(shí)代產(chǎn)品經(jīng)理的思維方法》一書作者，前阿里產(chǎn)品專家，希望與創(chuàng)業(yè)者多多交流。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。

題圖來自Unsplash, 基于CC0協(xié)議