Press "Enter" to skip to content

数据驱动!精细化运营!用机器学习做客户生命周期与价值预估!

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

我报名参加金石计划1期挑战——瓜分10万奖池,这是我的第10篇文章,点击查看活动详情

 

:bulb: 作者: 韩信子 @ ShowMeAI
:blue_book:机器学习实战系列: www.showmeai.tech/tutorials/4…
:blue_book:本文地址: www.showmeai.tech/article-det…
:loudspeaker: 声明:版权所有,转载请联系平台与作者并注明出处
:loudspeaker: 收藏ShowMeAI查看更多精彩内容

 

现在的互联网平台都有着海量的客户,但客户和客户之间有很大的差异,了解客户的行为方式对于充分理解用户与优化服务增强业务至关重要。而借助机器学习,我们可以实现更精细化地运营,具体来说,我们可以 预测客户价值 ,即在特定时间段内将为公司带来多少价值。

 

本篇内容中使用的 :trophy: scanner在线交易数据集 ,可以直接在ShowMeAI的百度网盘中下载获取。

 

:trophy: 实战数据集下载(百度网盘) :公众号『ShowMeAI研究中心』回复『 实战 』,或者点击 这里 获取本文 [26] 基于机器学习的客户价值预估 『 scanner在线交易数据集 』

 

:star: ShowMeAI官方GitHub : github.com/ShowMeAI-Hu…

 

 

本篇内容中我们的实现步骤包括:

整合&处理数据
基于递归 RFM 技术从数据构建有效特征
基于数据建模与预估

:bulb: 整合&处理数据

 

:sweat_drops: 数据说明

 

ShowMeAI本篇使用到的数据集,是通过零售店『扫描』商品条形码而获得的流水销售的详细数据。数据集覆盖一年时间,涵盖 22625 个顾客、5242 个商品、64682 次交易。数据字段说明如下:

 

字段含义
Date销售交易的日期
Customer_ID客户ID
Transaction_ID交易ID
SKU_Category_ID商品类别ID
SKU_ID商品ID
Quantity销售数量
Sales_Amount销售金额(单价乘以数量)

 

:sweat_drops: 数据读取 & 处理

 

本文数据处理部分涉及的工具库,大家可以参考ShowMeAI制作的工具库速查表和教程进行学习和快速使用。

 

:blue_book: 数据科学工具库速查表 | Pandas 速查表

 

:blue_book: 图解数据分析:从入门到精通系列教程

 

上述信息中最重要的3列是:客户ID、销售交易的日期、销售金额,当然大家也可以在后续建模中囊括更多的丰富信息(如商品类别等)。这里我们先读取数据并针对时间字段做一点格式转换。

 

import pandas as pd 
# 读取CSV格式交易数据 
df = pd.read_csv(data_path) # 数据路径 
# 日期型数据转换 
df.Date = pd.to_datetime(df.Date)
df.head(10)

 

 

:bulb: RFM & 特征工程

 

关于机器学习特征工程,大家可以参考ShowMeAI 整理的特征工程最全解读教程。

 

:blue_book: 机器学习实战 | 机器学习特征工程最全解读

 

:sweat_drops: RFM介绍

 

:blue_book: RFM 是一种量化客户价值的方法,英文全称为『Recency, Frequency and Monetary value』。RFM 模型的三个参数分别是 R (最近一次消费的时间间隔)、 F (消费的频率)和 M (消费金额)。

 

 

RFM的使用方法是,将训练数据分成 观察期 Observed 和 未来期 Future 。 如果我们要预测客户一年内会花费多少,就将 未来期 Future 的长度设置为一年。如下图所示:

 

 

基于 观察期 的数据特征建模,并预测 未来期 的情况,下述代码我们基于日期进行截断:

 

# 截断日期前的数据 
observed = df[df[date_col] < cut_off 
# 截断日期后的数据 
future = df [(df[date_col] > cut_off) & (df[date_col] < cut_off + pd.Timedelta(label_period_days, unit='D'))]

 

下面我们来看看 RFM 的3要素,并通过代码进行实现:

 

:sweat_drops: Recency / 时间间隔

 

它代表自最近一次交易以来的时间(小时/天/周)。 我们需要设置一个基准时间点来计算 Recency。 我们会计算客户在基准时间点后多少天进行了交易。

 

def customer_recency(data, cut_off, date_column, customer_id_column):
  # 截断前的数据
  recency = data[data[date_column] < cut_off].copy()
  recency[date_column] = pd.to_datetime(recency[date_column])
  # 按最新交易对客户进行分组
  recency = recency.groupby(customer_id_column)[date_column].max()
  return ((pd.to_datetime(cut_off) - recency).dt.days).reset_index().rename(
      columns={date_column : 'recency'}
  )

 

:sweat_drops: Frequency / 频率

 

它代表客户进行交易的不同时间段的数量。 这将使我们能够跟踪客户进行了多少交易以及交易发生的时间。 我们还可以保留从截止日期开始计算这些指标的做法,因为以后会很方便。

 

def customer_frequency(data, cut_off, date_column, customer_id_column, value_column, freq='M'):
  # 截断前的数据
  frequency = data[data[date_column] < cut_off].copy()
  # 设置日期列为索引
  frequency.set_index(date_column, inplace=True)
  frequency.index = pd.DatetimeIndex(frequency.index)
  # 按客户键和不同时期对交易进行分组 
  # 并统计每个时期的交易 
  frequency = frequency.groupby([
      customer_id_column,
      pd.Grouper(freq=freq, level=date_column)
  ]).count()
  frequency[value_column] = 1 # 存储所有不同的交易 
  # 统计汇总所有交易
  return frequency.groupby(customer_id_column).sum().reset_index().rename(
      columns={value_column : 'frequency'}
  )

 

:sweat_drops: Monetary value / 消费金额

 

它代表平均销售额。 在这里我们可以简单计算每个客户所有交易的平均销售额。 (当然,我们后续也会用到)

 

def customer_value(data, cut_off, date_column, customer_id_column, value_column):
  value = data[data[date_column] < cut_off]
  # 设置日期列为索引 
  value.set_index(date_column, inplace=True)
  value.index = pd.DatetimeIndex(value.index)
  # 获取每个客户的平均或总销售额 
  return value.groupby(customer_id_column)[value_column].mean().reset_index().rename(
      columns={value_column : 'value'}
  )

 

:sweat_drops: 附加信息

 

用户龄: 自第一次交易以来的时间。我们把每个客户首次交易以来的天数也加到信息中。

 

def customer_age(data, cut_off, date_column, customer_id_column):
  age = data[data[date_column] < cut_off]
  # 获取第一笔交易的日期 
  first_purchase = age.groupby(customer_id_column)[date_column].min().reset_index()
  # 获取截止到第一次交易之间的天数
  first_purchase['age'] = (cut_off - first_purchase[date_column]).dt.days
  return first_purchase[[customer_id_column, 'age']]

 

最后我们定义一个函数把 RFM 涉及到的信息囊括进去:

 

def customer_rfm(data, cut_off, date_column, customer_id_column, value_column, freq='M'): 
  cut_off = pd.to_datetime(cut_off) 
  # 计算 
  recency = customer_recency(data, cut_off, date_column, customer_id_column) 
  # 计算频率 
  frequency = customer_frequency(data, cut_off, date_column, customer_id_column, value_column, freq=freq) 
  # 计算平均值 
  value = customer_value(data, cut_off, date_column, customer_id_column, value_column) # 计算年龄 
  age = customer_age(data, cut_off, date_column, customer_id_column) 
  # 合并所有列 
  return recency.merge(frequency, on=customer_id_column).merge(on=customer_id_column).merge(age,on=customer_id_column)

 

理想情况下,这可以捕获特定时间段内的信息,看起来像下面这样:

 

 

我们把每个客户 未来 期间花费的金额作为标签(即我们截断数据的后面一部分,即future)。

 

labels = future.groupby(id_col)[value_col].sum()

 

:bulb: 建模思路 & 实现

 

通过上面的方式我们就构建出了数据样本,但每个用户只有1个样本,如果我们希望有更多的数据样本,以及在样本中囊括不同的情况(例如时间段覆盖节假日和 618 和 11.11 等特殊促销活动),我们需要使用到『 递归RFM 』方法。

 

:sweat_drops: 递归 RFM

 

所谓的递归 RFM 相当于以滑动窗口的方式来把未来不同的时间段构建为 future 标签,如下图所示。假设数据从年初(最左侧)开始,我们选择一个频率(例如,一个月)遍历数据集构建 未来 (f) 标签,也即下图的红色 f 块。

 

具体的实现代码如下:

 

def recursive_rfm(data, date_col, id_col, value_col, freq='M', start_length=30, label_period_days=30):
  dset_list = []
  # 获取数据集的起始时间
  start_date = data[date_col].min() + pd.Timedelta(start_length, unit="D")
  end_date = data[date_col].max() - pd.Timedelta(label_period_days, unit="D")
  # 获取时间段
  dates = pd.date_range(start=start_date, end=end_date, freq=freq)
  data[date_col] = pd.to_datetime(data[date_col])
  for cut_off in dates:
    # 切分
    observed = data[data[date_col] < cut_off]
    future = data[
        (data[date_col] > cut_off) &
        (data[date_col] < cut_off + pd.Timedelta(label_period_days, unit='D'))
    ]
    rfm_columns = [date_col, id_col, value_col]
    print(f"computing rfm features for {cut_off} to {future[date_col].max()}:")
    _observed = observed[rfm_columns]
    # 计算训练数据特征部分(即observed部分)
    rfm_features = customer_rfm(_observed, cut_off, date_col, id_col, value_col)
    # 计算标签(即future的总消费)
    labels = future.groupby(id_col)[value_col].sum()
    # 合并数据
    dset = rfm_features.merge(labels, on=id_col, how='outer').fillna(0) 
    dset_list.append(dset)
    # 完整数据
  full_dataset = pd.concat(dset_list, axis=0)
  res = full_dataset[full_dataset.recency != 0].dropna(axis=1, how='any')
  return res
rec_df = recursive_rfm(data_for_rfm, 'Date', 'Customer_ID', 'Sales_Amount')

 

接下来我们进行数据切分,以便更好地进行建模和评估,这里依旧把数据切分为 80% 用于训练,20% 用于测试。

 

from sklearn.model_selection import train_test_split
# 数据采样,如果大家本地计算资源少,可以设置百分比进行采样
rec_df = rec_df.sample(frac=1) 
# 确定特征与标签
X = rec_df[['recency', 'frequency', 'value', 'age']]
y = rec_df[['Sales_Amount']].values.reshape(-1)
# 数据集切分
test_size = 0.2
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=test_size, random_state=42, shuffle=True)

 

:sweat_drops: 机器学习建模

 

关于机器学习建模部分,大家可以参考ShowMeAI 的机器学习系列教程与模型评估基础知识文章。

 

:blue_book: 图解机器学习算法:从入门到精通系列教程

 

:blue_book: 图解机器学习 | 随机森林模型详解

 

:blue_book: 图解机器学习算法(2) | 模型评估方法与准则

 

有很多机器学习模型都可以进行建模,在本例中我们使用最常用且效果良好的 随机森林 进行建模,因为是回归任务,我们直接使用 scikit-learn 中的随机森林回归器,代码如下。

 

from sklearn.ensemble import RandomForestRegressor 
# 在训练数据集上初始化和拟合模型 
rf = RandomForestRegressor().fit(X_train, y_train)

 

拟合后,我们可以在数据框中查看我们对测试集的预测。

 

from sklearn.metrics import mean_squared_error
# 训练集:标准答案与预估值
predictions = pd.DataFrame()
predictions['true'] = y_train
predictions['preds'] = rf.predict(X_train)
# 测试集:标准答案与预估值
predictions_test = pd.DataFrame()
predictions_test['true'] = y_test
predictions_test['preds'] = rf.predict(X_test)
# 模型评估
train_rmse = mean_squared_error(predictions.true, predictions.preds)**0.5
test_rmse = mean_squared_error(predictions_test.true, predictions_test.preds)**0.5
print(f"Train RMSE: {train_rmse}, Test RMSE: {test_rmse}")

 

输出:

 

Train RMSE :10.608368028113563, Test RMSE :28.366171873961612

 

这里我们使用的均方根误差 (RMSE) 作为评估准则,它计算的是训练数据和测试数据上『标准答案』和『预估值』的偏差平方和与样本数 N 比值的平方根。 即如下公式:

 

 

测试集上评估结果 RMSE 约为 28.4,这意味着我们对未见数据的预测值相差约 28.40 美元。 不过,我们发现,训练集上的 RMSE 明显低于测试集上的 RMSE,说明模型有一些过拟合了。 如果我们把训练集和测试集的每个样本预估值和真实值绘制出来,是如下的结果,也能看出差异:

 

 

机器学中的过拟合问题,可以通过对模型的调参进行优化,比如在随机森林模型中,可能是因为树深太深,叶子节点样本数设置较小等原因导致,大家可以通过调参方法(如网格搜索、随机搜索、贝叶斯优化)等进行优化。可以在ShowMeAI的过往机器学习实战文章中找到调参模板:

 

:blue_book: 人力资源流失场景机器学习建模与调优

 

:blue_book: 基于Airbnb数据的民宿房价预测模型

 

参考资料

:blue_book: 数据科学工具库速查表 | Pandas 速查表 : www.showmeai.tech/article-det…
:blue_book: 图解数据分析:从入门到精通系列教程 : www.showmeai.tech/tutorials/3…
:blue_book: 图解机器学习算法:从入门到精通系列教程 : www.showmeai.tech/tutorials/3…
:blue_book: 图解机器学习算法| 模型评估方法与准则 : www.showmeai.tech/article-det…
:blue_book: 图解机器学习算法 | 随机森林模型详解 : www.showmeai.tech/article-det…
:blue_book: 机器学习实战 | 机器学习特征工程最全解读 : www.showmeai.tech/article-det…
:blue_book: 人力资源流失场景机器学习建模与调优 : www.showmeai.tech/article-det…
:blue_book: 基于Airbnb数据的民宿房价预测模型 : www.showmeai.tech/article-det…

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。