如何使用ML.NET實現基于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實現基于RFM模型的客戶價值分析，內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。

RFM模型

在眾多的客戶價值分析模型中，RFM模型是被廣泛應用的，尤其在零售和企業服務領域堪稱經典的分類手段。它的核心定義從基本的交易數據中來，借助恰當的聚類算法，反映出對客戶較為直觀的分類指示，對于沒有數據分析和機器學習技術支撐的初創企業，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

我們為客戶在這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，也是非監督學習最常見的訓練，正好適用于為RFM模型的分類執行機器學習。

動手實踐

基本要求

• Visual Studio 2017 或者 Visual Studio Code

• DotNet Core 2.0+

• ML.NET v0.3

數據來源

本案例數據來自UCI：Online Retail，這是一個跨國數據集，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務中發生的所有交易。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商。

屬性信息：

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

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

Description：產品（項目）名稱。標稱。

Quantity：每筆交易的每件產品（項目）的數量。數字。

InvoiceDate：發票日期和時間。數字，生成每個事務的日期和時間。

UnitPrice：單價。數字，英鎊單位產品價格。

CustomerID：客戶編號。標稱值，為每個客戶唯一分配的5位整數。

Country：國家名稱。每個客戶所在國家/地區的名稱。

數據處理

1. 使用Excel，對原始數據增加4個字段，分別是Amount（金額，單價與數量相乘的結果）、Date（InvoiceDate的整數值）、Today（當天日期的整數值）、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，其實這就是對數據分布合理分段的一種思想，為了減小數據源的不平衡性對機器學習的影響，我們盡量使得數據的分布是自然的。

編碼部分

還是熟悉的味道，創建DotNet Core控制臺應用程序，通過Nuget添加對ML.NET的引用。

• 創建用于學習的數據結構

訓練部分

評估部分

預測部分

調用部分

運行結果

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，對于學習出來的這5個類別，仍然需要按原始數據集全部遍歷預測出對應的分類，根據客戶的RFM評分與分類的對應關系，才能夠對每個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完成聚類的機器學習。對于想要上手針對自己公司的業務，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，希望大家持續關注新的特性功能發布。

上述內容就是如何使用ML.NET實現基于RFM模型的客戶價值分析，你們學到知識或技能了嗎？如果還想學到更多技能或者豐富自己的知識儲備，歡迎關注億速云行業資訊頻道。