如何使用ML.NET實現(xiàn)基于RFM模型的客戶價值分析

本篇文章為大家展示了如何使用ML.NET實現(xiàn)基于RFM模型的客戶價值分析，內(nèi)容簡明扼要并且容易理解，絕對能使你眼前一亮，通過這篇文章的詳細介紹希望你能有所收獲。

讓客戶滿意是我們工作的目標，不斷超越客戶的期望值來自于我們對這個行業(yè)的熱愛。我們立志把好的技術(shù)通過有效、簡單的方式提供給客戶，將通過不懈努力成為客戶在信息化領(lǐng)域值得信任、有價值的長期合作伙伴，公司提供的服務(wù)項目有：域名申請、虛擬空間、營銷軟件、網(wǎng)站建設(shè)、錫山網(wǎng)站維護、網(wǎng)站推廣。

RFM模型

在眾多的客戶價值分析模型中，RFM模型是被廣泛應(yīng)用的，尤其在零售和企業(yè)服務(wù)領(lǐng)域堪稱經(jīng)典的分類手段。它的核心定義從基本的交易數(shù)據(jù)中來，借助恰當?shù)木垲愃惴ǎ从吵鰧蛻糨^為直觀的分類指示，對于沒有數(shù)據(jù)分析和機器學(xué)習(xí)技術(shù)支撐的初創(chuàng)企業(yè)，它是簡單易上手的客戶分析途徑之一。

RFM模型主要有三項指標：

Recency：最近消費時間間隔

Frequency：消費頻率

Monetary：消費金額

我們?yōu)榭蛻粼谶@三項指標上進行打分，那么總共會有27種組合的可能，使用K-Means算法，能夠縮減到指定的有限數(shù)量的分箱（一般會為5類），計算出每個客戶在分箱的位置即客戶的價值。

當然RFM模型還有更多衍生版本，可以參考WiKi：RFM (customer value)。

ML.NET和K-Means

---

ML.NET自v0.2版本就提供了K-Means++ clustering的實現(xiàn)，也是非監(jiān)督學(xué)習(xí)最常見的訓(xùn)練，正好適用于為RFM模型的分類執(zhí)行機器學(xué)習(xí)。

動手實踐

---

基本要求

• Visual Studio 2017 或者 Visual Studio Code

• DotNet Core 2.0+

• ML.NET v0.3

數(shù)據(jù)來源

本案例數(shù)據(jù)來自UCI：Online Retail，這是一個跨國數(shù)據(jù)集，其中包含2010年12月1日至2011年12月9日期間在英國注冊的非商店在線零售業(yè)務(wù)中發(fā)生的所有交易。該公司主要銷售獨特的全場禮品。該公司的許多客戶都是批發(fā)商。

屬性信息：

InvoiceNo：發(fā)票編號。標稱值，為每個事務(wù)唯一分配的6位整數(shù)。如果此代碼以字母'c'開頭，則表示取消。

StockCode：產(chǎn)品（項目）代碼。標稱值，為每個不同的產(chǎn)品唯一分配的5位整數(shù)。

Description：產(chǎn)品（項目）名稱。標稱。

Quantity：每筆交易的每件產(chǎn)品（項目）的數(shù)量。數(shù)字。

InvoiceDate：發(fā)票日期和時間。數(shù)字，生成每個事務(wù)的日期和時間。

UnitPrice：單價。數(shù)字，英鎊單位產(chǎn)品價格。

CustomerID：客戶編號。標稱值，為每個客戶唯一分配的5位整數(shù)。

Country：國家名稱。每個客戶所在國家/地區(qū)的名稱。

數(shù)據(jù)處理

1. 使用Excel，對原始數(shù)據(jù)增加4個字段，分別是Amount（金額，單價與數(shù)量相乘的結(jié)果）、Date（InvoiceDate的整數(shù)值）、Today（當天日期的整數(shù)值）、DateDiff（當天與Date的差值）。

1. 建立透視圖，獲取每個客戶在Amount上的總和，DateDiff的最大和最小值，并且通過計算公式Amount/(DateDiff最大值-DateDiff最小值+1)算出頻率值。

1. 按照以下規(guī)則計算RFM的評分

• R：(DateDiff最大值- DateDiff最小值-2000)的差值，小于480計3分，480-570之間計2分，570-750之間計1分，大于750計0分。

• F：頻率值，大于1000計5分，500-1000之間計4分，100-500之間計3分，50-100之間計2分，0-50之間計1分，小于0計0分。

• M：Amount總和值，大于10000計5分，5000-10000之間計4分，2000-5000之間計3分，1000-2000之間計2分，0-1000之間計1分，小于0計0分。

有小伙伴可能存在疑問，為什么要這么劃分，其實這就是對數(shù)據(jù)分布合理分段的一種思想，為了減小數(shù)據(jù)源的不平衡性對機器學(xué)習(xí)的影響，我們盡量使得數(shù)據(jù)的分布是自然的。

編碼部分

還是熟悉的味道，創(chuàng)建DotNet Core控制臺應(yīng)用程序，通過Nuget添加對ML.NET的引用。

• 創(chuàng)建用于學(xué)習(xí)的數(shù)據(jù)結(jié)構(gòu)

訓(xùn)練部分

評估部分

預(yù)測部分

調(diào)用部分

運行結(jié)果

可以看到，我用于測試的客戶，被分到了第2類上面。

盡管完成了聚類的工作，對于學(xué)習(xí)出來的這5個類別，仍然需要按原始數(shù)據(jù)集全部遍歷預(yù)測出對應(yīng)的分類，根據(jù)客戶的RFM評分與分類的對應(yīng)關(guān)系，才能夠?qū)γ總€類別的意義進行有效地解釋。

這個簡單的案例為大家展示了使用ML.NET完成聚類的機器學(xué)習(xí)。對于想要上手針對自己公司的業(yè)務(wù)，進行一些門檻較低的客戶分析，使用ML.NET將是一個不錯的選擇。當然ML.NET還在不斷迭代中，希望大家持續(xù)關(guān)注新的特性功能發(fā)布。

上述內(nèi)容就是如何使用ML.NET實現(xiàn)基于RFM模型的客戶價值分析，你們學(xué)到知識或技能了嗎？如果還想學(xué)到更多技能或者豐富自己的知識儲備，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。

當前名稱：如何使用ML.NET實現(xiàn)基于RFM模型的客戶價值分析
URL網(wǎng)址：http://bm7419.com/article36/jjejpg.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供微信小程序、網(wǎng)站設(shè)計、品牌網(wǎng)站建設(shè)、建站公司、全網(wǎng)營銷推廣、品牌網(wǎng)站設(shè)計

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)