客户细分帮助公司深入了解客户行为并量身定制服务以满足其需求。RFM聚类是根据客户购买行为进行客户细分的强大方法。在尼日利亚金融科技平台Cowrywise，我们使用RFM客户细分和K-Means聚类进行客户细分，以分析客户活动并提供个性化的金融解决方案。通过使用RFM指标，我们可以根据用户的消费习惯对其进行分类，并通过量身定制的服务增强他们的体验。
在尼日利亚金融科技平台Cowrywise，我们正在使用Metabase通过以下组合来可视化这些见解并提供解决方案：
- RFM（最近一次消费、消费频率和消费金额），
- AUM（资产管理规模）每日指标，以及
- K-Means聚类。
下面是关于它们的更多信息。
了解RFM（最近一次消费、消费频率和消费金额）
RFM表示三个关键的客户参与度指标
- 最近一次消费（自上次交易以来的时间）
- 消费频率（交易次数）
- 消费金额（在平台上花费的总金额）
为了计算RFM分数，我们为每个指标分配值。更高的分数表示更活跃的客户。例如，昨天进行了交易、交易频繁且花费大量资金的用户会获得更高的RFM分数。
以下是我们用于计算RFM分数的Python脚本
import pandas as pd
import datetime as dt
# Load transaction data
df = pd.read_csv("transactions.csv")
# Convert transaction_date to datetime
df["transaction_date"] = pd.to_datetime(df["transaction_date"])
# Calculate Recency, Frequency, and Monetary Value
snapshot_date = df["transaction_date"].max() + dt.timedelta(days=1)
df_rfm = df.groupby("user_id").agg({
"transaction_date": lambda x: (snapshot_date - x.max()).days,
"transaction_id": "count",
"amount": "sum"
}).reset_index()
# Rename columns
df_rfm.rename(columns={
"transaction_date": "Recency",
"transaction_id": "Frequency",
"amount": "MonetaryValue"
}, inplace=True)
# Print the first five rows of the RFM dataframe
print(df_rfm.head())
通过AUM（资产管理规模）改进RFM
虽然RFM客户细分是有效的，但它忽略了客户的投资行为。为了更全面地了解客户的投资习惯和行为，我们将每日AUM（资产管理规模）添加到RFM分数中。
AUM是客户投资资产的总价值，除以他们开始投资以来的天数。以下是我们用于创建此混合指标的脚本
# Load AUM data
df_aum = pd.read_csv("aum.csv")
# Convert start_date to datetime
df_aum["start_date"] = pd.to_datetime(df_aum["start_date"])
# Calculate the number of days since the customer started investing
df_aum["InvestmentDays"] = (snapshot_date - df_aum["start_date"]).dt.days
# Calculate AUM per day
df_aum["AUMperDay"] = df_aum["aum"] / df_aum["InvestmentDays"]
# Merge RFM and AUM dataframes
df_hybrid = pd.merge(df_rfm, df_aum[["user_id", "AUMperDay"]], on="user_id", how="inner")
# Print the first five rows of the hybrid dataframe
print(df_hybrid.head())
使用K-Means聚类进行客户细分
计算RFM指标和AUM分数后，我们运行k-means聚类进行客户细分，以对相似的客户进行分组。K-means聚类是一种机器学习算法，它根据共同特征将数据组织成k个集群。为了找到合适的集群数量，我们使用肘部法则，该方法确定了添加更多集群不再显著改善分组的点。
from sklearn.cluster import KMeans
# combine RFM and AUM data into a single dataframe
rfm_aum_data = pd.concat([rfm_scores, aum_scores], axis=1)
# determine optimal number of clusters using elbow method
wcss = []
for i in range(1, 11):
kmeans = KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=10, random_state=0)
kmeans.fit(rfm_aum_data)
wcss.append(kmeans.inertia_)
plt.plot(range(1, 11), wcss)
plt.title('Elbow Method')
plt.xlabel('Number of clusters')
plt.ylabel('WCSS')
plt.show()
# fit k-means clustering to data
kmeans = KMeans(n_clusters=4, init='k-means++', max_iter=300, n_init=10, random_state=0)
kmeans.fit(rfm_aum_data)
# assign clusters to each customer
customer_clusters = kmeans.predict(rfm_aum_data)
在Metabase中可视化客户细分
一旦每个客户都被分配到一个集群，您就可以开始在Metabase中可视化客户细分了！首先，确保您有一个Metabase帐户并已将Metabase连接到您的数据源。连接后：
- 选择 + 新建 > 问题。
- 选择您的
customer_segmentation表作为起点（或您称之为包含您的rfm_score、aum_per_day和segment字段的表）。 - 编写查询后，点击 可视化 以创建您的可视化。
- 您可以使用查询生成器来筛选和汇总数据，然后选择要使用的可视化类型。例如，使用条形图显示不同细分客户的分布，或使用散点图显示RFM分数和每日AUM之间的关系。
- 当您得到一些有趣的结果时，点击 保存 按钮。
- 您可以将保存的问题添加到Metabase仪表板并设置筛选器，以便人们可以按细分、日期范围或您选择的其他变量查看数据。