?? RFM用戶分析模型究竟是什么？在之前的博客已經(jīng)介紹了它的意義以及如何在現(xiàn)有的數(shù)據(jù)的情況下，利用Pandas創(chuàng)建分析模型，這里不再重復(fù)，詳細(xì)可以參考我博客https://blog.csdn.net/weixin_48591974/article/details/116192534

?? 這一期將詳細(xì)介紹如何利用SQL直接獲取所需的數(shù)據(jù)去創(chuàng)建RFM用戶分析模型。SQL ---- Structured Query Language（結(jié)構(gòu)化查詢語言 ），它是一種專門用來與數(shù)據(jù)庫溝通的語言，提供了很多從數(shù)據(jù)庫中高效地讀寫數(shù)據(jù)、查詢數(shù)據(jù)的方法。常用的DBMS(數(shù)據(jù)庫管理軟件) 有 MySQL、Access、SQLite、SQL SERVER、Oracle 等等。

Recency：最近一次消費(fèi)，即上一次交易距今多少天，反應(yīng)了客戶是否流失；

Frequency：消費(fèi)頻率，一段時(shí)間內(nèi)客戶的消費(fèi)頻率，反應(yīng)了客戶的消費(fèi)活躍度；

Monetary：消費(fèi)金額，一段時(shí)間內(nèi)客戶消費(fèi)總金額，反應(yīng)了客戶價(jià)值

根據(jù) RFM 這 3個(gè) Dimension，可以分為8種客戶類型，如下圖：

?? 以下將簡單介紹3個(gè)指標(biāo)值的計(jì)算方法：

?? F 值的計(jì)算：例如要計(jì)算 子表 orders 里 user_id 為 8002011的值。

?? 統(tǒng)計(jì)數(shù)據(jù)行數(shù)，我們可以使用 count() 函數(shù)完成，最后得出 F值為 3

SELECT  count(*)    AS F
FROM    orders
WHERE   user_id = 8002011;

?? M 值的計(jì)算： 使用 sum() 函數(shù)將計(jì)算字段 price * amount 所有行加起來就得出 user_id 8002011 總消費(fèi)金額為 13000

SELECT  sum(price * amount) AS M
FROM    orders
WHERE   user_id = 8002011;

?? R 值的計(jì)算：在orders表中，可見時(shí)間是以 Integer 類型存在，也就是以格蘭威治秒數(shù)（Unix時(shí)間戳）類型存在，指的是從1970年1月1日開始計(jì)算的秒數(shù)。關(guān)于時(shí)間戳和日期轉(zhuǎn)換方法，可以運(yùn)用 python的 datetime module 去實(shí)現(xiàn)轉(zhuǎn)換。例如今天（2024-01-12）所對應(yīng)的時(shí)間戳經(jīng)過轉(zhuǎn)換為 1704988800（秒），因此可以用這數(shù)值減去最近一次消費(fèi)的日期，最后轉(zhuǎn)換成天數(shù)，就知道 user_id 8002011最近一次消費(fèi)距離今天為多少天。

SELECT (1704988800 - max(pay_time)) / (24 * 60 * 60) AS R,
FROM    orders
WHERE   user_id = 8002011;

?? 有了以上對3個(gè)指標(biāo)的計(jì)算方法，以下就繼續(xù)介紹各種方法進(jìn)行分析。假設(shè)有如下總的數(shù)據(jù)表（更多數(shù)據(jù)行省略…）

?? 首先通過GROUP BY 子句，將原數(shù)據(jù)進(jìn)行 分組，再通過聚合函數(shù)把字段組合相同的行劃分為同一組。具體語法如下：

SELECT user_id  AS 用戶ID,
       user_name AS 用戶昵稱,
       (1704988800 - max(pay_time)) / (24 * 60 * 60) AS R,
       count(user_id) AS F,  
       sum(price * amount) AS M
FROM   orders
GROUP BY user_id;

?? 這樣就可以把每位用戶的 RFM 值都計(jì)算出來了。

?? 剛才根據(jù) R、F、M 維度表現(xiàn)的高與低，把用戶分劃分為 8 類，我們可以選擇中位數(shù)作為區(qū)分高、低的依據(jù)。

?? 數(shù)據(jù)表 orders 共包含 21名用戶數(shù)據(jù)。所以如果我們想獲取中位數(shù)，查詢語句需要寫成 LIMIT 10, 1 由于21的中位數(shù)為 11， 因此 LIMIT 語句的第1個(gè)參數(shù)為 10，第2個(gè)參數(shù)為返回1行的結(jié)果，那就是中位數(shù)的值。

?? 獲取 R 的中位數(shù)： 結(jié)果為32

SELECT (1704988800 - max(pay_time)) / (24 * 60 * 60) AS R
FROM   orders
GROUP BY user_id
ORDER BY R
LIMIT 10,1;

?? 獲取 F 的中位數(shù)： 結(jié)果為3

SELECT count(user_id) AS F
FROM   orders
GROUP BY user_id
ORDER BY F
LIMIT 10,1;

?? 獲取 M 的中位數(shù)： 結(jié)果為 36500

SELECT sum(price * amount) AS M
FROM   orders
GROUP BY user_id
ORDER BY M
LIMIT 10,1;

?? 接著，以如何獲得 “新用戶” 和 "流失用戶"為例去繼續(xù)編寫語句分析。以上已經(jīng)得出 R、F、M 的中位數(shù)。由于R（最近一次消費(fèi)）的值越小，說明用戶越活躍，因此低于 32 的被劃分為 R 水平 高，反之為 R 水平 低。同理，我們可以得出 F 和 M 的劃分方法， F：低于 3 為水平 低，反之為 高；M：低于 36500 為水平 低，反之為 高。

?? HAVING 子句在用法上和 WHERE 子句非常相似，它們都能夠根據(jù)指定條件篩選數(shù)據(jù)，也可以使用我們在 SELECT 子句中定義的字段別名。不同之處在于，WHERE 子句作用于原數(shù)據(jù)表，用來篩選 行；而 HAVING 子句作用于分組結(jié)果，用來篩選 分組。所以在編寫語句時(shí)，必須區(qū)分好。

SELECT user_id  AS 用戶ID,
       user_name AS 用戶昵稱,
       (1704988800 - max(pay_time)) / (24 * 60 * 60) AS R,
       count(user_id) AS F,  
       sum(price * amount) AS M
FROM   orders
GROUP BY user_id
HAVING R <=32
   AND F < 3
   AND M < 36500;

?? 得出"新用戶" 數(shù)據(jù)表：

SELECT user_id  AS 用戶ID,
       user_name AS 用戶昵稱,
       (1704988800 - max(pay_time)) / (24 * 60 * 60) AS R,
       count(user_id) AS F,  
       sum(price * amount) AS M
FROM   orders
GROUP BY user_id
HAVING R > 32
   AND F < 3
   AND M < 36500;

?? 得出"流失用戶" 數(shù)據(jù)表：

?? 同理，其它6個(gè)維度的客戶分析也是同樣編寫相對應(yīng)的條件語句進(jìn)行篩選。對于在眾多的用戶中如何可以快速、科學(xué)地分類，尤其前5個(gè)維度，對于每個(gè)商業(yè)行業(yè)有著重要的作用，也是掌握企業(yè)命運(yùn)的風(fēng)向標(biāo)。文章來源地址http://www.zghlxwxcb.cn/news/detail-790816.html

到了這里，關(guān)于如何利用SQL創(chuàng)建RFM用戶分析模型的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！