《《Python数据分析与应用案例教程》教案 第23课 RFM模型分析.docx》由会员分享，可在线阅读，更多相关《《Python数据分析与应用案例教程》教案 第23课 RFM模型分析.docx（9页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、课题第23课RFM模型分析课时2 课时(90 min )教学目标知识技能目标：（1） 了解什么是RFM模型（2 ）练习使用Scikit-learn的K-Means聚类算法聚类客户（3）练习通过RFM模型分析客户价值素质目标：践行“以人为本”的理念，尊重他人，顺应发展教学重难点教学重点：使用Scikit-learn的K-Means聚类算法聚类客户 教学难点：通过RFM模型分析客户价值教学方法案例分析法、问答法、讨论法、i井授法教学用具电脑、投影仪、多媒体课件、教材、APP教学设计第1节课：考勤（2 min ） 一问题导入（5 min ） 一传授新知（28 min ）一课堂实践（10 min ）第
2、2节课：问题导入（8 min ） 一传授新知（20 min ）一课堂讨论（12 min ） 一课堂小结（3 min ） 一作业布置（2 min ）教学过程主要教学内容及步骤设计意图第一节课考勤(2 min)【教师】使用APP进行签到【学生】按照老师要求签到培养学生的组 织纪律性，掌握学 生的出勤情况问题导入（5 min）【教师】提出问题我们已经学习了客户价值分析的内容，那么如何进行客户群体分析呢？【学生】思考、举手回答通过提问的方 法，了解学生对数 据分析的知识，进 而引出新知传授新知（28 min ）【教师】总结学生的回答，并引入新知，讲解通过RFM模型的相关知识8.3 RFM模型分析【教师
3、】提出问题使用RFM模型分析客户价值包含哪些部分？少【学生】聆听、思考、主动回答问题【教师】总结学生的回答，并讲解新知使用RFM模型分析客户价值主要包含两个部分：第一，根据3个特征值的数 据，对客户进行聚类分群；第二，结合业务对每个客户群体进行特征分析，分析其 客户价值。8.3.1 RFM 模型【教师】提出问题通过教师讲解、课堂讨论、多媒体 演示等方式，使学 生了解RFM模型 的相关知识，包括 模型分析及聚类 算法什么是RFM模型？计【教师】总结学生的回答，并讲解新知中【学生】聆听、思考、主动回答问题RFM模型是一个经典的客户价值分析模型，它将最近消费时间间隔(recency X 消费频率(f
4、requency )、消费金额(monetary )三大指标作为衡量标准描述客户 的价值状况。【教师】提出问题什么是最近消费时间间隔？小【学生】聆听、思考、主动回答问题【教师】总结学生的回答，并讲解新知(1)最近消贾时间间隔(以下简称R )是指客户上一次的消费时间和统计当天 的间隔。R的值越小，说明客户的下单间隔越小。如果R的值很大，则可认为该客 户存在流失风险或已流失，在这类客户中，可能存在一些优质客户，值得商家通过 一定的营销手段进行“唤醒。【教师】提出问题什么是消费频率？【学生】聆听、思考、主动回答问题【教师】总结学生的回答，并讲解新知(2 )消费频率(以下简称F)是指客户在一段时间内的
5、购买次数。F能够体现 客户的忠诚度，其值越大，表示客户在本店铺消费越频繁，不仅能为店铺带来人气, 还能带来稳定的现金流。除忠诚度外，影响F的因素还包括商品价格、生命周期、 品类等。例如，手机、笔记本电脑等商品的价格昂贵，生命周期通常在13年， 因此3C数码店铺的F值通常较小；而日用百货、副食水果等商品的价格便宜，商 品购买周期可能只有数天，因此超市的F值通常较大。这个例子说明，跨品类比较 F的值是没有意义的。此外，从上述例子中还可以看出，F更适用于品类较多、规模较大的店铺.因 此，对于一些品类较为单一、规模较小的店铺，用客户的历史总购买次数作为F的 值更有参考价值。*【教师】提出问题什么是消费
6、金额？计【学生】聆听、思考、主动回答问题小【教师】总结学生的回答，并讲解新知(3 )消费金额(以下简称M )是指客户在一段时间内的消费金额。M的值越 大，说明客户在本店铺的消费金额越高，其对店铺的价值也越高。与F类似，对于 小店铺而言，也可将客户的总消费金额作为M的值。中【教师】多媒体出示RFM分析模型图(详见教材)，讲解客户分类在获取店铺所有客户的RFM指标后，需要根据整体数据情况为每个指标确定判 定值（一般为各指标数据的平均值），通过将每位客户的指标数据与判定值进行比 较，即可将客户细分为8种类型：重要价值客户、重要发展客户、重要保持客户、 重要挽留客户、一般价值客户、一般发展客户、一般保
7、持客户和一般挽留客户，如 图所示。【提示】教师讲解客户分类数的相关知识小【学生】聆听、思考本次采集的房源数据中，西城区的房源均价最高，平谷区的房源均价最低，且 相差较大；均价超过10万元的区有东城西城；朝阳区的房源数量最多，其均价处 于中间水平。【教师】多媒体出示针对不同价值客户的营销策略表（详见教材），讲解不 同客户的营销策略客户类型营销策略重要价值客 户这类客户的价值较高，应为其倾斜更多资源，向其提供VIP服务、 高级定制服务等重要发展客 户这类客户的消费频率较低，应进一步挖掘客户需求，通过发放优 惠券、红包或提升会员权益等方式提高他们的消费频率重要保持客 户这类客户的最近消费时间间隔较长
8、，可在店铺有促销活动时采取 邮件推送、短信提醒等方式主动和他们保持联系，提高复购率重要挽留客 户这类客户有即将流失的风险，可通过短信、邮件或App推送、有 偿问卷发放等形式主动联系用户,询问流失原因，确定出现问题的环 节，制订相应的挽回策略，提高留存率（续表）客户类型营销策略一般价值客 户这类客户较为活跃，但消费金额较低，属于价格敏感型客户，可 先通过性价比较高的商品在其心中奠定口碑和品牌信誉，从而使其 逐步提高消费金额一般发展客 户这类客户通常属于店铺新客，对店铺的了解有限，因此需要利用 会员权限、新客优惠券等形式提高客户兴趣，在其4L中创立品牌知 名度课堂讨论（10 min）一般保持客 户
9、这类客户可能只是偶然在店铺购买过商品，对店铺的印象不深， 因此可采用积分、节日问候、折扣等形式吸引客户一般挽留客 户这类客户应采取一定的挽留策略，但不宜为此投入过多店铺资源聚类算法1 .什么是聚类中【教师】提出问题什么是聚类？【学生】聆听、思考、主动回答问题号【教师】总结学生的回答，并讲解新知聚类类似于分类，不同的是聚类没有给定划分类别，而是通过一定的算法自动 分类。即按某个特定标准把一个数据集分割成不同的类，使得同一个类中的数据之 间相似性尽可能大，同时不在同一个类中的数据之间差异性也尽可能大。可见,聚 类后同一类的数据尽可能聚集到一起，不同类数据尽量分离。2 . K-Means聚类算法小【
10、教师】提出问题什么是K-Means聚类算法？【学生】聆听、思考、主动回答问题【教师】总结学生的回答，并讲解新知聚类算法中最典型的是K-Means聚类算法,也称K均值聚类算法。它采用距 离作为相似性的评价指标，即认为两个样本数据的距离越近，其相似度就越大。而 且，该算法认为类是由距离靠近的数据组成的，因此其最终目标是获得紧凑且独立 的类。K均值聚类算法凭借原理简单、实现容易和收敛速度快等优点在多个领域有着 广泛的应用,如发现不同的客户群（商业领域）、对基因进行分类（生物领域）、 向客户提供更合适的服务（电子商务）等。【学生】聆听、思考、理解、记忆【教师】提出问题：什么是聚类模块？【学生】聆听、思
11、考、讨论、小组代表回答问题【教师】总结学生的回答机器学习库Sdkit-learn提供了 cluster模块用于聚类分析，该模块包含了多 种聚类算法。通过KMeansO函数可以创建K-Means聚类模型，其一般格式如下。通过课堂讨论， 加深学生对聚类 知识的理解KMeans(n_clusters=8)其中，n_clusters表示客户类别数量，为整型，最大值为8，默认为最大值。创建模型后，须使用其fit()函数计算K-Means聚类的属性，常用的属性有 cluster_centers_o第二节课问题导入(8 min)【教师】提出问题我们已经学习了 RFM模型的基本知识，那么如何构建RFM模型呢？
12、【学生】聆听、思考、回答问题通过提问的方 法，引导学生主动 思考，激发学生的 学习兴趣传授新知(20 min )【教师】总结学生的回答，并引入新知，讲解RFM模型特征值构建和标准化的相 关知识8.3.3 RFM模型特征值构建和标准化1 .特征值构建【教师】按照教材进行问题分析并按照步骤进行特征值构建的分析演示：该女装店铺的RFM模型的特征值可以通过数据中的下单日期、历史总订单数和 总交易金额得到。此处，首先，将下单日期及其最大值转换成时间型数据，相减后将 时间差转换成天数，并添加到最近消费时间间隔列；接着，将历史总订单数中的+ 使用空字符替换，并将数值转换为整型；然后，选择买家昵称、最近消斐时
13、间间隔、 历史总订单数和总交易金额创建DataFrame对象；最后，修改该对象的列标签，并 设置买家昵称列为行标签，输出数据。实现代码如下。import pandas as pdimport numpy as npdf = pd.read_excel(女装销售数据.xlsx)pd.set_option(display.unicode.east_asian_width, True)帮持征值构建df最近消费时间间隔=(pdMdatetime(df下单日期max() pd.to_datetime(df下单日期1)/np.timedelta64(L D)df历史总订单数(单)1 = df历史总订单数(
14、单),.apply(lambda x: x if type(x) != str else x.replace(+, ).astype(int)df_temp = df买家昵称丁最近消量时间间隔丁历史总订单数(单)丁总交易 金额(元)df_temp = df_temp.rename(columns=最近消费时间间隔,：R-最近消费时 间间隔丁历史总订单数(单)：F-消费频率冒总交易金额(元)M-消费金额)df_temp = df_temp.set_index(买家昵称)print(df_temp)(详见教材)“【学生】观察、记录、理解通过教师讲解 和课堂练习，使学 生了解RFM模构 建型的相关知
15、识A【学生】教师演示完成后，学生按照教材提示和教师演示进行实际操作，并对 比程序运行结果(详见教材)【教师】巡视课堂记录，对学生进行个别指导【提示】教师讲解timedelta64()函数的相关知识小【学生】聆听、思考2,特征值标准化小【教师】按照教材进行问题分析并按照步骤进行特征值标准化的演示：由于每个特征值的量纲和取值范围不同，可能会对数据分析的结果造成影响， 因此须对其进行准化处理。此处，使用标准差标准化数据，即每列数据减去列均值后 除以列标准差,然后输出标准化后的特征值.实现代码如下。df_std = (df_temp - df_temp.mean(axis=O)/df_temp.std
16、(axis=O) print(df_std)(详见教材)【学生】现察、记录、理解A【学生】教师演示完成后，学生按照教材提示和教师演示进行实际操作，并对 比程序运行结果(详见教材)【教师】巡视课堂记录，对学生进行个别指导店铺客户价值分析1.客户聚类【教师】按照教材进行问题分析并按照步骤进行客户聚类的演示：为了清晰地分析客户，须通过聚类模型标记客户类别。此处，首先导入 Scikit-learn库的duster模块；然后设置客户类别数量为4(结合业务的理解与分析 来确定)，使用KMeansO函数创建聚类模型；最后使用fit()函数计算聚类算法的属 性,将labels.属性添加到数据的客户类别列，并输
17、出数据。实现代码如下。#设置客户类别数量#创建聚类模型#计算聚类算法的属性from sklearn import cluster k = 4kmodel = cluster.KMeans(n_clusters=k) kmodel.fit(df_std)df_temp客户类别=kmodel.labels,print(df_temp)接下来，根据客户类别计算以上4类客户的RFM的值和客户数，并选取R、F 和M值的均值作为判定值。此处，将数据按客户类别分组及求分组数据的均值(R、 F和M的值)；然后将分组数据的统计个数添加到客户数列；最后按列求均值并添 加到判定值行，输出数据。实现代码如下。df_m
18、ean = df_temp.groupby(客户类别).mean()df_mean客户数,=df_temp.groupbyC 客户类另！J)size()df_mean.loc判定值=df_mean.mean()print(df_mean)(详见教材)【学生】观察、记录、理解【学生】教师演示完成后，学生按照教材提示和教师演示进行实际操作，井对 比程序运行结果(详见教材)小【教师】巡视课堂记录，对学生进行个别指导*【提示】教师讲解重豆聚类的相关知识*【学生】聆听、思考2.客户价值分析【教师】多媒体出示女装店铺客户价值分析的RFM分析模型，井进行详细讲 解RFM客户类 别客户分类客户数排名低低低0一
19、般挽留客户754低高高1重要保持客户112高低低2一般发展客户743高高高3重要价值客户31(1) 一股挽留客户：R、F和M的值都较低,表明这些客户在很长时间没有 在店铺进行消费了，且消费次数和消费金额也较少，但客户所占比例较大.针对这 类客户，店铺可以适当采取推送促销信息等挽留策略，但不宜为此投入过多店铺资 源。(2 )重要保持客户：R的值低，F和M的值较高，表明这些客户很长时间没 有在店铺进行消费了，但消费次数和消费金额较多。针对这类客户，可在店铺有促 销活动时采取邮件推送、短信提醒等方式主动和他们保持联系，提高复购率。(3 ) 一般发展客户：R的值较高，F和M的值低，表明这些客户近期在店
20、铺 消费过，但消费次数和消费金额少，可能是店铺的新客户，对店铺了解较少。虽然 他们当前的价值不是很高，但却有很大的发展潜力，且客户所占比例较大。针对这 类客户，店铺可以用会员权限、新客优惠券等形式提高客户兴趣，在其心中创立品 牌知名度。(4 )重要价值客户：R的值略高，F和M的值很高,表明这些客户近期没有 在店铺进行消费，但他们忠诚度高，且贡献值大，所占比例却非常小，可以将他们 看作店铺的VIP客户.针对这类客户，店铺可以向其提供VIP服务、高级定制服 务,进行一对一营销。【学生】聆听、思考、理解、记录课堂讨论(12 min)【教师】提出问题，请同学们分小组讨论：我们已经学习过利用Python
21、数据分析解决相关问题，请同学们查找一下生活 中Python数据分析还有哪些应用?【学生】聆听、结组、思考、讨论、小组代表发言【教师】聆听学生的回答通过课堂讨论， 使学生能够了解 更多关于Python 数据分析的知识课堂小结 (3 min)【教师】简要总结本节课的要点本节课学习了 RFM模型分析的相关知识,包括RFM模型在客户价值状况分析 的应用，聚类算法，RFM模型构建等相关内容，希望大家在课下多加练习，巩固所 学知识。【学生】总结回顾知识点总结知识点巩 固学生对相关知 识的印象作业布置 (2 min)【教师】布置课后作业完成课后本章考核8 ”的习题。【学生】完成课后任务通过课后作业 复习巩固学到的 知识，提高理论接 收能力教学反思本节课通过实际案例让学生了解数据分析的知识，在这节课中学生能在互动环节深入沟通，效果不 错.教师多与学生进行深入的沟通和交流，可以发现学生学习中存在的问题并及时纠正，使其掌握科学 有效的学习方法，提高学习的质量和效率。