客戶分群有助於公司深入了解客戶的行為，並客製化服務以滿足其需求。在奈及利亞金融科技平台 Cowrywise，我們正在使用 Metabase 來視覺化這些見解，並透過以下組合提供解決方案：
- RFM（近期性、頻率和消費金額）、
- 每日 AUM（資產管理規模）指標，以及
- K-Means 群集。
了解 RFM（近期性、頻率和消費金額）
RFM 讓我們能夠根據客戶的交易歷史記錄對客戶進行分群，包括
- 自上次交易以來的時間（近期性）、
- 他們進行的交易次數（頻率），以及
- 他們在平台上花費的金額（消費金額）。若要計算 RFM，請為每個指標指派分數：近期性、頻率和消費金額。分數越高表示與您的平台互動越佳。例如，昨天進行交易、過去進行過多次交易，並且在平台上花費大量金錢的客戶會獲得較高的 RFM 分數。
以下是我們用來計算 RFM 分數的 Python 指令碼
import pandas as pd
import datetime as dt
# Load transaction data
df = pd.read_csv("transactions.csv")
# Convert transaction_date to datetime
df["transaction_date"] = pd.to_datetime(df["transaction_date"])
# Calculate Recency, Frequency, and Monetary Value
snapshot_date = df["transaction_date"].max() + dt.timedelta(days=1)
df_rfm = df.groupby("user_id").agg({
"transaction_date": lambda x: (snapshot_date - x.max()).days,
"transaction_id": "count",
"amount": "sum"
}).reset_index()
# Rename columns
df_rfm.rename(columns={
"transaction_date": "Recency",
"transaction_id": "Frequency",
"amount": "MonetaryValue"
}, inplace=True)
# Print the first five rows of the RFM dataframe
print(df_rfm.head())
將 AUM 新增至 RFM
RFM 的缺點在於它忽略了客戶的投資行為。為了更全面地了解客戶的投資習慣和行為，我們將每日 AUM（資產管理規模）新增至 RFM 分數。AUM 是客戶投資的資產總值，除以他們開始投資以來的天數。以下是我們用來建立此混合指標的指令碼
# Load AUM data
df_aum = pd.read_csv("aum.csv")
# Convert start_date to datetime
df_aum["start_date"] = pd.to_datetime(df_aum["start_date"])
# Calculate the number of days since the customer started investing
df_aum["InvestmentDays"] = (snapshot_date - df_aum["start_date"]).dt.days
# Calculate AUM per day
df_aum["AUMperDay"] = df_aum["aum"] / df_aum["InvestmentDays"]
# Merge RFM and AUM dataframes
df_hybrid = pd.merge(df_rfm, df_aum[["user_id", "AUMperDay"]], on="user_id", how="inner")
# Print the first five rows of the hybrid dataframe
print(df_hybrid.head())
使用 k-means 群集對客戶進行分組
計算出 RFM 和 AUM 分數後，我們使用 k-means 群集根據這些指標對客戶進行分組。k-means 群集是一種非監督式機器學習演算法，可根據資料點的相似性將其分組到 k 個群集中。在本例中，k 代表我們想要建立的客戶群組數量。我們將 RFM 和 AUM 資料合併到單一資料框架中。然後，我們使用手肘法來判斷資料的最佳群集數量。手肘法（如下例所示）涉及繪製群內平方和 (WCSS) 與群集數量的關係圖。我們在關係圖的「手肘」處選擇群集數量，此時新增更多群集並不會顯著減少 WCSS。以下是我們用來對資料執行 k-means 群集的指令碼。在我們的案例中，我們選擇四個群集作為最佳群集數量。我們將 k-means 群集演算法套用至我們的資料，並將每個客戶分配到一個群集。
from sklearn.cluster import KMeans
# combine RFM and AUM data into a single dataframe
rfm_aum_data = pd.concat([rfm_scores, aum_scores], axis=1)
# determine optimal number of clusters using elbow method
wcss = []
for i in range(1, 11):
kmeans = KMeans(n_clusters=i, init='k-means++', max_iter=300, n_init=10, random_state=0)
kmeans.fit(rfm_aum_data)
wcss.append(kmeans.inertia_)
plt.plot(range(1, 11), wcss)
plt.title('Elbow Method')
plt.xlabel('Number of clusters')
plt.ylabel('WCSS')
plt.show()
# fit k-means clustering to data
kmeans = KMeans(n_clusters=4, init='k-means++', max_iter=300, n_init=10, random_state=0)
kmeans.fit(rfm_aum_data)
# assign clusters to each customer
customer_clusters = kmeans.predict(rfm_aum_data)
在 Metabase 中視覺化分群
一旦將每個客戶分配到一個群集，您就可以開始在 Metabase 中視覺化客戶分群了！首先，請確保您擁有 Metabase 帳戶，並且已將Metabase 連接到您的資料來源。連線後
- 選取+ 新增 > 問題。
- 選取您的
customer_segmentation表格作為起點（或您為包含rfm_score、aum_per_day和segment欄位的表格所命名的名稱）。 - 撰寫查詢後，按一下視覺化以建立您的視覺化圖表。
- 您可以使用查詢產生器來篩選和摘要資料，然後選擇您想要使用的視覺化類型。例如，使用長條圖來顯示跨不同分群的客戶分佈，或使用散佈圖來顯示 RFM 分數與每日 AUM 之間的關係。
- 當您獲得一些有趣的結果時，按一下儲存按鈕。
- 您可以將儲存的問題新增至 Metabase 儀表板，並設定篩選器，以便人們可以依分群、日期範圍或您選擇的其他變數來檢視資料。