KMeans聚类实战：用RFM模型给电商用户分群，制定精准营销策略（Python+sklearn）

KMeans聚类实战用RFM模型给电商用户分群制定精准营销策略Pythonsklearn电商平台每天产生海量用户交易数据如何从这些数据中挖掘用户价值是每个运营团队的核心课题。RFM模型作为经典的客户价值分析框架结合KMeans聚类算法能够将看似杂乱无章的消费行为转化为清晰的用户分群画像。本文将手把手带您完成从数据清洗到策略落地的全流程实战。1. 理解RFM模型与KMeans的协同价值RFM模型通过三个核心维度评估用户价值Recency最近购买时间用户最后一次消费距今的天数Frequency购买频率特定时间段内的消费次数Monetary消费金额用户贡献的总交易额这三个维度恰好构成三维特征空间而KMeans算法正是处理此类空间聚类的利器。当我们将标准化后的RFM数据输入KMeans模型时算法会自动寻找数据中的自然分群边界避免了人工划分的主观性。实际业务中常见五种典型用户群体高价值用户高R/F/M需重点维护潜力用户高F/M但R较低需唤醒策略新用户高R但F/M低需培养消费习惯流失风险用户R/F/M均中等需预防流失休眠用户R/F/M均低可降低运营成本2. 数据准备与RFM指标计算假设我们有一份包含用户ID、订单日期和订单金额的交易数据首先需要构建RFM特征import pandas as pd from datetime import datetime # 示例数据加载 transactions pd.read_csv(user_transactions.csv) transactions[order_date] pd.to_datetime(transactions[order_date]) # 设置分析时间点通常为最近日期 snapshot_date transactions[order_date].max() pd.Timedelta(days1) # 计算RFM指标 rfm transactions.groupby(user_id).agg({ order_date: lambda x: (snapshot_date - x.max()).days, # Recency order_id: count, # Frequency amount: sum # Monetary }).rename(columns{ order_date: recency, order_id: frequency, amount: monetary })此时得到的RFM数据往往存在量纲差异需要进行标准化处理from sklearn.preprocessing import StandardScaler scaler StandardScaler() rfm_scaled pd.DataFrame( scaler.fit_transform(rfm), columnsrfm.columns, indexrfm.index )3. 确定最佳聚类数量KMeans需要预先指定聚类数量K两种常用方法帮助决策3.1 肘部法则Elbow Method通过观察不同K值对应的惯性inertia变化曲线from sklearn.cluster import KMeans import matplotlib.pyplot as plt inertias [] for k in range(1, 11): kmeans KMeans(n_clustersk, random_state42) kmeans.fit(rfm_scaled) inertias.append(kmeans.inertia_) plt.plot(range(1, 11), inertias, markero) plt.xlabel(Number of clusters) plt.ylabel(Inertia) plt.show()当曲线拐点肘部出现时对应的K值通常是最佳选择。3.2 轮廓系数分析轮廓系数衡量样本与自身簇和其他簇的相似度from sklearn.metrics import silhouette_score silhouette_scores [] for k in range(2, 11): kmeans KMeans(n_clustersk, random_state42) cluster_labels kmeans.fit_predict(rfm_scaled) silhouette_scores.append(silhouette_score(rfm_scaled, cluster_labels)) plt.plot(range(2, 11), silhouette_scores, markero) plt.xlabel(Number of clusters) plt.ylabel(Silhouette Score) plt.show()轮廓系数越接近1表示聚类效果越好。4. 构建KMeans模型与结果解读选定K值后训练最终模型# 假设通过上述方法确定K5 final_kmeans KMeans(n_clusters5, random_state42) rfm[cluster] final_kmeans.fit_predict(rfm_scaled)分析各簇特征时可计算簇中心的原始RFM值cluster_centers pd.DataFrame( scaler.inverse_transform(final_kmeans.cluster_centers_), columnsrfm.columns[:-1] ) cluster_centers[count] rfm[cluster].value_counts().sort_index()典型分群结果可能呈现如下特征聚类Recency均值Frequency均值Monetary均值用户数业务标签015天8次¥58001200高价值用户185天5次¥32002500潜力用户25天2次¥8001800新用户345天3次¥15003000一般用户4120天1次¥5001500休眠用户5. 制定精准营销策略基于聚类结果设计差异化运营方案高价值用户群体策略提供VIP专属优惠和优先购买权定期发送个性化推荐基于购买历史设置专属客服通道潜力用户唤醒方案发送限时优惠券针对历史购买品类开展老用户回归专项活动推送库存预警信息针对常购商品注意策略执行后需持续监控各群体转化率建议设置A/B测试评估不同策略效果通过完整的RFM-KMeans分析流程电商企业可以显著提升营销资源利用效率。实际项目中可进一步结合用户 demographics 数据或浏览行为数据构建更精细化的用户分群模型。