我们使用销售订单表和销售订单财务信息表中的数据进行客户价值分析。接入数据后，首先需要对数据进行去重、缺失值处理和异常值处理。

完成数据预处理后，则可进行数据集的特征提取和标准化过程。

通过客户ID关联销售订单表和销售订单财务信息表，计算窗口期内客户的最近消费时间间隔（Recency）、消费频次（Frequency）和消费金额（Monetary）。

数据集（dataset）：

• R: 最近消费时间间隔
  

• F: 消费频次

• M: 消费金额

如下图所示，通过销售定单数据提取1536个客户的R、F、M三个特征，用于后面的聚类计算。

数据描述（dataset.describe()）：

用于生成描述性统计数据，统计数据集的集中趋势，分散和行列的分布情况。主要包括以下指标：

count：数据集行数           mean：均值

std：标准差                      50%：中位数

min：最小值                     max：最大值

25%：下四分位数              75%：上四分位数

由于R、F、M三个特征的数量级差别巨大，需要平衡各特征在模型训练中的贡献度，故需要对特征数据进行标准化处理。

标准化处理后，会得到均值为0，标准差为1的服从正态分布的数据。标准化公式如下：

脚本：

应用上述标准化公式后，特征数据集如下图所示。查看数据描述可以看到三个特征的均值都为0，标准差都为1，处于同一量纲。

标准化后的数据集（dataset_ss）如下：

数据描述（dataset_ss.describe()）如下：

K-Means算法是被一种应用广泛的无监督学习的聚类算法，能够按照样本之间的距离大小，将样本集划分为K个类簇，并且使得簇内的数据点尽量紧密，簇间距离尽量大。

脚本：

（1）模型训练

from sklearn.cluster import KMeans
n_clusters = 6
km = KMeans(n_clusters=n_clusters,verbose=1)
km.fit(dataset_ss)

（2）类簇标签

km.labels_

（3）聚类中心

km.cluster_centers_

运行效果：

（4）反标准化后的聚类中心

cluster_centers = round(pd.DataFrame(ss.inverse_transform(km.cluster_centers_),
                    columns=features), 2)
cluster_centers

运行效果：

聚类结果的可视化：

将聚类结果通过雷达图可视化分析，分析类簇之间指标的差异，给归属于不同类簇的客户打上标签，细分出高价值客户、重点保持客户、重要发展客户、一般维持客户、低价值客户和流失客户六类客户群。

类簇特征雷达图

类簇特征分析表

对6个类簇的R、F、M值分析后所的到的6类客户群如下表所示，其中高价值客户3个，重要保持客户11个，重要发展客户42个，一般维持客户609个。

在星空-供应链领域，已上线了【客户价值分析】产品，通过RFM模型来分析企业客户的购买行为、购买频率、购买金额，帮助企业识别不同类别的客户：重要价值客户、一般价值客户、流失客户等，以便制定和落实精准的客户经验策略。 

具体业务应用详细说明及开通介绍，详见以下链接：

1. 业务应用详细说明

2. 产品开通介绍