笔记：
1、 基于RFM的精细化用户管理，可以精细用户管理，更好的对客户进行引流，制定差异化以及定制化的营销。
（另外，给业务部分做分析需要导出excel格式）
2、 使用的库包括：time（用来记录插入数据库时的当前日期）、numpy（基本数据处理）、pandas（日期转换、数据格式化处理、主要的RFM计算过程）
RFM权重：利用sklearn的随机森林库
结果展示：excel可视化图表
3、 案例数据：
观察表格概要、具体数据
——导入库（numpy、pandas，机器学习包sklearn使用RandomForestClassifier）
——读取数据、定义列表以方便后续定制
——数据审查（注意转换前后格式是否一致，包括后续数据是否与真实数据一致）
——数据预处理（enumerate函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标）
——划分区间（对RFM做分箱或者离散化操作）
另外：r、m本身可以区分用户特征，但是f无法区分（主要需要根据行业特性进行设定数据）
原则：中间2个边界值、最大值边界
（问题：最左侧值无法划分为任何区间的）
最小值边界值定义得比数据框中的最小值要小。
——计算RFM因子权重
思路：我们利用会员等级来确定RFM三者的权重，建立一个rfm三个维度与会员等级的分类模型，然后通过模型输出维度的权重。
4、 案例数据结论：
（1）基于图形交互式分析
重点人群分布（柱状图）、重点分组分布
（2）基于RFM分组结果的分析
建立数据透视表——将分析重点转移在重点人群身上
（3）RFM用户特征分析
三类：占比超过10%，占比个位数，占比小个人价值度高
5、 不同行业对RFM的依赖度有差异，包括公司的发展等都会影响到RFM
6、 对R、F、M区间的划分是一个离散化的过程，具体需要划分为几个区间，需要与业务方确认
7、 最重要的是，不要只注重于多数人的定制化分析，一定要全面分析会员人群种类进行分析。
