# RFM

liveandletlive

들어가기전.. 어떤 음식점있다고 했을 때, 이 음식점에는 단골 손님이 있을 수 있고, 처음 방문한 손님도 있을 수 있습니다😃. 아니면 자주 방문하지는 않지만 한번 방문할 때 큰 돈을 쓰는 사람도 있을 수 있구요. 가끔 그 음식점에 단골손님이 되어 자주 오고 많은 소비를 하다보면 사장님이 알아 볼때가 있을텐데요! 그럴때 작은 음료, 음식, 할인쿠폰 같은 서비스를 받았던 경험이 있지 않나요? 당근 사장님 입장에서도 자주 와주고 가계의 매출을 올려주니 고마우셨을겁니다. 사장님의 입장에서 위의 단골손님은 당연히 놓쳐서는 안되는 손님일거에요. 그래서 더 자주 올 수 있도록 음료,음식,할인쿠폰 같은 혜택들을 주신거구요. 음식점 사장님의 기억에 손님들의 데이터가 남고 나름대로 손님들을 세분화해서 전략을 세운거라고 생각 할 수 있죠. (조금 끼워 맞쳐보았지만😅) 이렇듯 RFM분석을 통한 사례는 주변에서도 쉽게 경험할 수 있습니다! ![](https://velog

zeromin1997

QnA RFM 기법으로 고객을 같은 간격으로 나누려면 우리가 사용했던 판다스에서 어떤 기능을 사용하면 될까요? => cut 절대평가와 상대평가로 구분한다면? => cut이 절대평가, qcut 이 상대평가 예를 들어 Monetary 를 기준으로 금액의 절대값이 아니라 같은 비율로 나누고자 한다면 무엇일까요? => qcut last_timestamp 에 1 더해야 하는 이유 => 최근 영업일과 같은 날에 마지막으로 거래를 했다면 0 으로 될텐데 마지막 거래일자에 거래한 값이 1이 되게 하기 위해서 입니다. 리텐션을 구할 때도 코호트 인덱스 값을 1로 설정한 것 처럼 0부터 시작하지 않고 1부터 시작하도록 1을 더해주었습니다. 지도학습과 비지도학습의 차이? => 정답(label, y)의 유무 K-근접이웃을 어디에서 사용해 봤을까요? => SMOTE할 때 이상치 탐지에 주로 사용하는 군집화 기법은 무엇일까요? => DBSCAN : 이상치는 군집에 포함

chan_p

시작에 앞서, 본 포스팅은 광고가 아닌 "내돈내산" 수강후기임을 밝힙니다. SQL이란? > 빅데이터 활용간 방대한 데이터 저장소(DB) 에서 원하는 정보를 효율적으로 불러 오는 언어 데이터 산업군(데이터 사이언티스트, 애널리스트, 엔지니어) 뿐만 아니라 마케터 등 지표를 분석하는 직군에서 중요성이 대두 1. 나의 수강배경 > - 관심분야 빅데이터 직군으로의 진출을 희망하고 있으며, 대중을 이해하고 전략을 수립하는 마케팅 직무 분야로 커리어의 시작을 준비하고 있다. 필요성 Python기반 데이터 분석 토이프로젝트를 몇차례 진행한 경험이 있으나, 방대한 log_data를 활용하는 프로젝트 시 Python만으론 원하는 데이터를 가져오는데 한시간이 넘게 걸리는 등 리소스 관리 면에서 난항을 겪은 경험이 있다. 대중성 데이터 직군으로의 취업을 준비하고 있는

ebnsbn25

RFM이란? RFM? 고객의 등급을 매김. 등급 매기는 기준? 언제샀나(R), 자주 샀나(F), 얼마 썼나(M). 매기면 알 수 있는것. 고객의 충성도, 마케팅 인사이드. 매겨서 뭐함? 등급별로 전략 생각하기. 분류된 고객군의 특성에 맞게 CRM 전략 활용 데이터 https://solvesql.com/playground/ *solvesql의 US E-Commerce Records 2020 데이터 참고. US E-Commerce Records 2020 데이터의 원본은 여기 이며, CC0 Public 1.0 의 적용을 받습니다. RFM 기준 Recency: 한 달 이내에

lazy_workaholic

220627 AIPM과정 D078 대구 AI 스쿨 시작한지 78일차 💻 Study Progress ![](https://velog.velc

astraea0119

6월 5주차 주제: 고객점유율_RFM 1/4.학습내용 강의교재 과제 2/4.학습내용 중 어려운점 질문: ![](https://velog.velc

yooseungkim

2021.11. 걸어서 World Trade Center Station까지. 뉴욕의 지하철 역 중에 가장 깨끗. RFM segmentation 앞선 글에서 cohort 분석에 사용한 e-commerce 주문 내역 데이터를 그대로 사용하여 이번 포스팅에서는 RFM segmentation을 해보겠습니다. 1. Intro 1. 분석 목표 RFM 프레임에 따라 주문고객들을 분류해보겠습니다. RFM은 아래와 같은 의미를 지니고 있습니다. R : Recency(최근 주문일로부터의 경과 일수) → 숫자가 작을수록 좋음 F : Frequency(최근 ○개월간 주문 횟수) → 숫자가 클수록 좋음 M : Monetary Value(최근 ○개월간 주문 금액) → 숫자가 클수록 좋음 "○"의 값은 비즈니스 모델과 제품 성격에 따라 적절한 값이 달라지겠습니다. 오늘 분석에서는 '12개월'을 사용하겠습니다. 2. EDA &

data_shirouto

담당하고 있던 서비스의 회원 가입 방식은 두가지였다. 1)성별, 나이, 이메일과 같은 회원의 개인 정보 입력 후 가입 2)SNS 연동(라인, 페이스북, 야후) 가입 **1) 방식으로 가입한 회원들의 개인 정보는 DB에 쌓여 있어 여러 방면에서 활용하고 있었지만 2) 방식으로 가입한 회원들의 개인 정보는 알 길이 없었다. ** (야후? 언제적 야후야? 할 수도 있는데 서비스가 일본향 서비스 였기 때문에 야후 연동을 같이 했다!) 그래서 1) 방식으로 가입한 회원들의 정보만을 가지고 데이터 분석을 한다고 했을 때 대표성과 신뢰성에 대해 개인적으로 의문이었다. 비율적으로 1) 방식으로 가입한 회원들이 많긴 했지만 2) 방식으로 가입하는 회원들이 점차 많아지고 있어서 고민 해볼 이슈라고 생각했다. 그리고 당시 팀장님께서 서비스의 '포인트 정책'을 재편하고 활용하는 방안을 고민해 보라고 하셨던 것도 계기가 됐다. *'어떤 기준으로 누구에게 얼만큼의 포인트를 줄 것인가?'

yerin4017

Abstract > 유비쿼터스 컴퓨팅 환경의 전자상거래에서 실시간성과 추천의 정확도를 높이는 연구가 활발히 진행되고 있다. 대부분의 기존 추천기법들은 프로파일 방식의 문제로 고객의 관심도나 고객 성향을 분 석하기에는 많은 어려움과 비용의 문제가 있으며 고객은 여전히 만족하지 못하고 있다. 이는 구성되어있는 데이터베이스들의 문제가 아니라 기존 자료를 분석하기 위한 평가 자료인 신규로 프로파일을 생성하거나 다양한 프로파일을 생성하는데 문제가 있다. 또한 기존 추천기법에서는 다양한 특성을 가진 각 사용자 계층별로 차별화된 개인화 추천이 어렵다. 따라서 이 논문에서 기존의 평가 자료 방식과 다르게 구매로 인해 발생 되어진 자료를 기반으로 사용자에게 번거로운 질의 응답 과정이 없 이 묵시적인 방법을 이용하였

yerin4017

RFM 기법 RFM(Recency, Frequency, Monetary)분석은 구매 가능성이 높은 우수 고객에게 집중적으로 마케팅 공략 및 수익을 창출하기 위한 모형 고객 등급을 분류하는 데에 사용한다. 3가지 요소로 구성되어 있음 (R : 최근성, F : 구매 빈도성, M : 구매액) 각각의 요소에 점수를 부여하여 가치있는 고객을 추출해 내 고객을 분류할 수 있음 FRAT 기법 RFM보다 개선된 방법으로, 구매 물품의 종류를 추가한 모형 F(Frequency : 빈도성), R(Recency : 최근성), A(Amount : 구매력), T(Type of merchandise/service : 구입상품 수) 로 나타낼 수 있음 각각의 값은 최대 5점, 최소 0점을 가지며, 가중치는 경영 상태나 전략에 따라 변경이 가능하여 FRAT의 최대 점수는 100점, 최소는 0점을 가짐. 본 논문에서는 고객의 구매 가능성 세분화를 기반으로 FRAT 점수