1 用戶畫像

也稱用戶表標簽，是基于用戶行為分析獲得的對用戶的一種認知表達，即用戶數據標簽化，通過收集與分析用戶的用戶屬性（年齡、性別、城市、職業、設備、狀態）、用戶偏好（購物偏好，聽歌偏好、訪問時間偏好）、用戶行為（近N日行為、消費行為、售后行為、累計行為：購物金額訂單數客單價）、用戶分層（rfm、會員分層、生命周期、預流失模型、活躍分層、消費分層）等，抽象出一個用戶的全貌。

2 RFM模型 (用戶價值分群模型)

用于判斷用戶價值度，通過三個指標進行綜合分析，可以將客戶分為不同的類別，如高價值客戶、重要挽留客戶、低價值客戶等，從而方便市場業務部門根據不同的客戶群體制定相應的營銷策略，以實現低成本高回收。

Recency 越小越好：最近一次消費距今多久（消費周期的標簽）7天作為閾值，小于7天或者大于等于7天
Frequency 越大越好：某段時間內消費頻率或次數：半年為周期，小于25次大于等于25次
Monetary 越大越好：某段時間內消費金額：半年為周期，小于2000大于等于2000
都是按照用戶ID進行分組，按照相應的指標進行聚合

RFM模型的作用：


RFM如何使用
每個維度劃分兩個區間：2^3=8組
每個維度劃分三個區間：3^3=27組
每個維度劃分五個區間：5^5=125組

RFM使用場景
M需要有消費、F需要有一定的頻次，頻次還需要有區分度、R最近半年/一年用戶需要出現過
外賣/打車/電商

RFE(RFM變種)
Engae：參與度、瀏覽、收藏、點贊、評論、彈幕、分享
瀏覽*1 收藏*2 點贊*3 評論*4 彈幕*5 分享*6
適用于信息流產品：微博、今日頭條、朋友圈、短視頻、抖快

RFM計算流程

1.第一步，以用戶為分組，
R：使用from_unixtime函數將時間戳轉化成日期格式并使用max函數計算出每個用戶最新的消費時間
F：使用counDistinct函數計算出每個用戶不同訂單的訂單總數，
M：sum計算出每個用戶所有訂單金額之和
2.第二步：把每個維度劃分為5個區間，在1-5之間打分，根據制定的打分標準使用when函數和otherwise函數為每個用戶打分，打分標準可以使用describe()函數計算出最大值和最小值去指定，需要注意的是，消費周期這個是時間越短分數越高，如果when的條件是多個，需要用&符號連接
3.第三步：提前計算出三個維度分數平均分，把用戶R F M三個維度的分數和三個維度的平均分數進行比較，把每個維度劃分為兩個區間比較，如果用戶分數大于等于平均分就是 1 這個區間，反之就是 0，然后使用withColumn函數添加R F M三個維度計算出的區間也就是0和1合并為RFM的列
4.第四步：把得到的RFM列和5級標簽的rule使用join連接，進行規則匹配，從而得出每位用戶RFM標簽

       # 1.根據用戶id分別計算RFM的原始值esDF2:DataFrame=esDF.groupby('memberid').agg(F.datediff(F.date_sub(F.current_date(),1027),F.from_unixtime(F.max('finishtime'))).alias('recency'),F.countDistinct('ordersn').alias('frequency'),F.sum('orderamount').alias('monetary'))# esDF2.show()# +--------+-----+---------+------------------+# | memberid | recency | frequency | monetary |# +--------+-----+---------+------------------+# | 29 | 60 | 246 | 403524.2501525879 |# | 474 | 60 | 105 | 203666.499929199 |# esDF2.describe().show()# +-------+------------------+-------------------+------------------+--------------------+# |summary|          memberid|            recency|         frequency|            monetary|# +-------+------------------+-------------------+------------------+--------------------+# |  count|               950|                950|               950|                 950|# |   mean|             475.5|   60.0178947368421|126.44736842105263|   366299.1070466518|# | stddev|274.38567746877766|0.14035852584856298| 39.00137616686665|  3276502.4657239863|# |    min|                 1|                 60|                81|  114856.25006103516|# |    max|               950|                 62|               355|1.0018663619982529E8|# +-------+------------------+-------------------+------------------+--------------------+# 2.每個維度分成5份，根據業務規則標準打分# R 0~30 5 31~60 4 61~90 3 91~140 2 141 1recency = F.when(esDF2.recency <= 30, 5) \.when((esDF2.recency >= 31) & (esDF2.recency <= 60), 4) \.when((esDF2.recency >= 61) & (esDF2.recency <= 90), 3) \.when((esDF2