[Python]产品经理10大基础技能(4):用Python建立并分析RFM模型( 二 )


[Python]产品经理10大基础技能(4):用Python建立并分析RFM模型
本文插图
第五步:统计人数和金额 (1)统计人数
[Python]产品经理10大基础技能(4):用Python建立并分析RFM模型
本文插图
(2)统计金额
第六步:构造转换函数 判断R/F/M的值是否大于均值 , 然后与第三步中的用户分层维度表对照 , 以转换判断客户类型 。
[Python]产品经理10大基础技能(4):用Python建立并分析RFM模型
本文插图
第七步:Python下获得RFM的结果
[Python]产品经理10大基础技能(4):用Python建立并分析RFM模型
本文插图
第八步:做数据可视化 (1)先得到人数和人数占比的可视化 , 人数和人数占比的可视化代码如下图:
[Python]产品经理10大基础技能(4):用Python建立并分析RFM模型
本文插图

[Python]产品经理10大基础技能(4):用Python建立并分析RFM模型
本文插图
人数和人数占比的可视化的结果如下图:
[Python]产品经理10大基础技能(4):用Python建立并分析RFM模型
本文插图
(2)在做消费金额和金额占比可视化 , 可视化代码如下图:
[Python]产品经理10大基础技能(4):用Python建立并分析RFM模型
本文插图

[Python]产品经理10大基础技能(4):用Python建立并分析RFM模型
本文插图
消费金额和消费金额占比可视化图如下图:
[Python]产品经理10大基础技能(4):用Python建立并分析RFM模型
本文插图
第九步:产品或者运营人员对Python分析的RFM图像进行讲解 (1)通过上面的分析可见 , 流失用户占比比较高 , 占到了54.13% , 流失用户 , 表示最后一购买时间很长 , 金额小 , 订单少 , 说明产品实现了一定的拉新 , 但是留存率比较低 。 产品接下来的工作重点应该是针对流失客户的需求设计 。
(2)通过上面的分析可见消费金额高但是待唤回的客户占比也较高 , 占比68.49% 。 高消费待唤回用户指的是做出过很大消费 , 但是很久没有回来再次消费了 。 已经临近流失边缘 , 因此这部分用户产品可以驱动运营适当提高用户产品服务的信息触达 。 让用户真正感知到服务和产品的温度 。
小结 笔者LineLian撰写产品经理系列文章的基本逻辑是:先写产品经理 , 再写数据产品经理 , 最后的落脚点是讲AI产品经理 , 因为这是一个递进的过程 , 首先产品会逐渐累积数据 , 数据需要分析 , 数据到了分析决策产品优化的阶段就诞生了数据产品经理 , 但是仅仅有数据是不够的 , 数据需要智慧 , 智慧在呼喊AI产品经理 , 下篇计划更新AI神经网络产品 。
#相关阅读# 产品经理10大基础技能(1):读透SQL
产品经理10大基础技能(2):读透模型
产品经理10大基础技能(3):读懂数据仓库
#专栏作家# 连诗路 , 公众号:LineLian 。 人人都是产品经理专栏作家 , 《产品进化论:AI+时代产品经理的思维方法》一书作者 , 前阿里产品专家 , 希望与创业者多多交流 。
本文原创发布于人人都是产品经理 。 未经许可 , 禁止转载 。
【[Python]产品经理10大基础技能(4):用Python建立并分析RFM模型】题图来自Unsplash, 基于CC0协议