详细内容或原文请订阅后点击阅览
公共 EDA（第 3 部分）：Pandas 客户细分的 RFM 分析
如何逐步构建、评分和解释 RFM 细分公共 EDA 后（第 3 部分）：Pandas 中客户细分的 RFM 分析首先出现在 Towards Data Science 上。
来源:走向数据科学！如果您一直在关注，我们已经走了很长的路。在第 1 部分中，我们做了清洁和准备的“脏活”。
在第 2 部分中，我们缩小到 NovaShop 世界的高空视图 — 发现大风暴（高收入国家/地区）和季节性模式（第四季度的大规模高峰）。
但事情是这样的：企业实际上并不销售给“几个月”或“国家”。它卖给人类。
如果您一视同仁地对待每个客户，您就会犯两个代价高昂的错误：
解决方案？行为细分。
我们将使用数据让客户告诉我们他们是谁，而不是猜测。我们使用零售分析的黄金标准：RFM 分析来做到这一点。
在本部分结束时，我们将超越“十大产品”，并为 NovaShop 数据库中的每个客户实际分配一个特定的、可操作的标签。
数据准备：“缺失 ID”数据透视点
在开始评分之前，我们必须解决我们在第 1 部分中做出的决定。
如果您还记得我们的初始检查，我们注意到大约 25% 的行缺少 CustomerID。当时，我们做出了保留这些行的战略业务决策。我们需要他们计算准确的总收入，并了解哪些产品总体上很受欢迎。
对于 RFM 分析，规则发生了变化。如果没有一致的身份，您就无法跟踪行为。如果我们不知道客户是谁，我们就无法知道客户的“频率”有多高！
设计 RFM 指标
定义快照日期
snapshot_date = df['InvoiceDate'].max() + dt.timedelta(days=1)