[數據分析] Python快速計算NES模型

過去投放廣告較專注在類似受眾、廣泛受眾和針對瀏覽行為進行再行銷，比較少針對消費過受眾進行投放；此次利用 Python 寫出了 NES 模型的程式碼，可以快速計算出 NES 用戶表現，此篇提供程式碼供大家參考。

Table

一. NES模型介紹

NES 模型是為了掌握顧客的消費行為變動性而設計，將客戶分群成為三大類，共五種標籤：

N ＝新顧客（New Customer）
E ＝既有顧客（Existing Customer）
- E0 主力顧客：購買週期 1 倍時間內回購的人
- E1 瞌睡顧客：超過購買週期 1~2 倍未回購的人
- E2 半睡顧客：超過購買週期 2~3 倍未回購的人
S ＝沉睡顧客（Sleeping Customer），購買頻率超過購買週期3倍未回購的人

orders['order_date'] = pd.to_datetime(orders['訂單日期'])

orders['Recency'] = pd.to_datetime(orders['訂單日期'])

nesTable = orders.groupby('顧客').agg({'order_date': lambda x: (x.max()- x.min()).days, # Retention

'Recency': lambda x: (NOW - x.max()).days, #Recency

'訂單號碼': lambda x: len(x), # Frequency

'付款總金額': lambda x: x.sum(), # Monetary Value

'電郵': lambda x: x.min(), #email

'電話號碼': lambda x: x.min() #phone

})

nesTable['order_date'] = nesTable['order_date'].astype(int)

nesTable['Recency'] = nesTable['Recency'].astype(int)

nesTable.rename(columns={'order_date': 'total_day',

'Recency': 'recency',

'訂單號碼': 'frequency',

'TotalCharges': 'monetary_value',

'UserId1': 'email',

'UserId2': 'phone'}, inplace=True)

day = NOW.strftime("%Y-%m")

E0 = nesTable[(nesTable["recency"] <= retention)]["recency"].count()

E1 = nesTable[(nesTable["recency"] > retention) & (nesTable["recency"] <= retention*2)]["recency"].count()

E2 = nesTable[(nesTable["recency"] > retention*2) & (nesTable["recency"] <= retention*3)]["recency"].count()

S1 = nesTable[(nesTable["recency"] > retention*3)]["recency"].count()

total = nesTable["recency"].count()

pList.append([

day, E0, E1, E2, S1,retention,total

])

df = pd.DataFrame(pList)

df.columns = ['Day','E0','E1', 'E2', 'S1','retention','total']

除了本篇 Python 快速計算 RFM 模型外，也推薦閱讀此篇用 SQL 指令方式來計算電商分析指標：