GAC·DU2021-09-08上班偷偷摸鱼，把老师分享的课程由粗到细品味了三遍，老师不仅技术高超，运营也这么牛，真是望尘莫及，在没订阅课程之前，我一点运营的知识都没有，看完今天的课程感觉自己又可以了。聊下老师的思考题，我想起当年的瑞幸和滴滴就这么搞的，通过下载APP注册，发送大量的消费券，获取很多的用户。然后经过时间的沉淀，利用RFM技术对用户进行分组，对于用户粘性较高的，进行精细化推荐。对于用户粘性较低的，发送消费券，进行召回用户。对于用户关系管理，可以把R理解为最近一次见面的时间，F理解为多长时间见一次面，M理解为见面聊天的深度，如果只是say hi， 那M的值很低，如果是畅谈人生，M值就会很高。 群里老师说把解决google colab中文乱码的方法分享出来，我说一下大概的思路，然后我会在最后根据本次课程的代码分享测试地址(需要科学上网访问)。 首先是下载你喜欢的中文字体，然后通过FontProperties来指定你下载的字体和展示大小，最后在需要展示中文的地方进行调用。 https://colab.research.google.com/drive/1EuXud71LiM6QsNIA9hsCeOlMiyrB6zLV?usp=sharing展开作者回复: 十分感谢你的分享和肯定。也非常非常欣慰你能够在学习中得到收获，感受到进步，同时得到乐趣。我觉得这就是学习的上佳状态。学而时思之，不亦乐乎。 也谢谢你分享展示中文字体的经验！有需要的同学可以参考一下 😄
共 2 条评论14
茜茜2021-09-08我觉得RFM适用于高频交易的场景，如零售，不适用于低频交易场景，如赛事演出票务。通过RFM将可以用户分为高中低等价值用户，在需要对某些产品进行营销推广时，可以将高价值用户定为主要营销群体，从而获得更高的订单转化率。但在计算RFM时，可能会面临以下问题：1.用户id与用户并不是一一对应或用户id不统一：如用户有多个账号，或者是多人使用该用户的id发生购买行为，或者部分消费记录未记入该用户，通过的RFM值无法真实反应用户的消费情况。2.关于F值：对于耐用性高的商品，可能一年就买一次，这时可以去掉F值里的时间限制，用该用户累计购买值代替。最后我的感悟是：模型只是基础，不能直接套用，需要结合相应业务场景对模型进行不同程度的修正，来满足业务运营的目标。作者回复: 对的，具体问题具体分析，活用数据。
共 2 条评论11
海林Lin2021-09-09课程很有收获，有个问题请教老师，为什么说RFM分析能够应用在获客环节呢，个人理解这个时候往往没有用户的行为数据作者回复: 嗯，挺好的问题。其实，从AARRR海盗模型的角度来说，获客、激活、留存、变现、增长循环，这5个环节是一个有机的整体，其实并没有一个明显的分割线。很多工具都可以重复使用在各个环节中。现在有一种说法，就是从AARRR到RARRA的模型变化，本质是从野蛮获取用户到精细化运营用户的视野转变。那么，因为现在大多数App获客阶段已经结束了，已经拥有了海量用户。那么，为这些用户画像，精细化运营就更重要。 回到你的问题：为什么RFM分析能够应用在获客环节？从机器学习的角度来讲，如果我能够利用一批老客户的特征（不一定是消费行为特征，也许是人口统计学特征），确定各个客户的价值。那么，我就可以用这个模型做指导，判断出新的具有类似特点的新客户价值有多大。对吧。所以这个工具可以应用在获客环节。
共 2 条评论6
yk2022-02-14佳哥好，有个问题，现在例子的数据集都比较小，如果是上亿的数据，也是这么处理吗？全加载到内存会不会很大。作者回复: 正如其它同学指出的，大数据有大数据的跑法。如Hadoop和Spark允许你在多台机器上分布式地处理大数据。例如，使用Hadoop的MapReduce可以将大数据处理任务分割成多个小任务，并在集群的各个节点上并行处理。
共 2 条评论4- Geek_80f43d2021-11-16近度不应该是datetime.now()和最近一次的消费时间差值吗
作者回复: 同学说的对，在实操中应该用datetime.now()。不过我这个是历史数据集，如果采用datetime.now()的话，新进度就越来越遥远了。因此只能选择数据集形成时最新的那一天做示例。
4 
！null2021-09-08对于实战课，手不能懒，得敲一下熟练熟练。作者回复: 对，从我自己学习的过程中我也有这个体会。只有动手，才能够发现更多的奥秘。
2
小杰2023-02-12 来自浙江比如客服，针对不同的用户，推送不同的内容，针对R最新消费的时间越短的用户，可以推送更多的新品；针对F消费频率高的用户：可以推送更多的优惠；针对M消费金额高的用户：可以推送更高质量的商品。最后推荐搭大家走一遍代码流程，具体细节可以不用关注，老师说了，代码是很简单的，要知道如何分析，处理，提取数据，这个才是重点作者回复: 对的
1
在路上2021-09-08佳哥好，看到github上更新了这节课的最新代码，非常开心，这对于我这种初次接触Jupyter和Python的学员来说太重要了，调试非常方便。 RFM 模型是我今天学到的新知识，F代表行为的频率，M代表行为的程度，如果行为是消费，M就是消费金额，如果行为是充值，M就是充值金额，F和M是行为的两个特征，就像我们用振频和振幅来描述振动的特征。R代表行为最近发生的时间，RFM从不同维度描述了一个行为，当然具体的行为可能还能找到特殊的特征。 把行为量化成数值，就可以根据数据聚类，大部分行为都会呈现28分布，就像80%的性能问题是20%的代码引起的，而真正的原因往往出乎你的预料，所以通过聚类可以让我们认识到事先想不到的问题。作者回复: 深为你认真学习的精神而感动！而且，你在学习实战的同时都有很多思考，难能可贵。 我们的数据集，和RFM这些维度，只是用抽象的、大家可以理解的数据启发一个思考，当你吧数据分析、可视化、机器学习的思路应用到公司的具体业务数据中，你能够发现数据能带来很多原来看不到的新启发和新灵感。这些东西只有我们在工作、学习的个人实践中去发现。 也欢迎大家多多分享自己的实践心得。
共 2 条评论1- Geek_5b62702023-01-31 来自北京文件下载不了了
作者回复: Github上面应该可以下载吧，实在不行就加我微信jackyhuang79，我发给你。
- Geek_ro2022-12-31 来自日本F值为什么不是订单号的unique数？这里单纯对消费日期计数的话不会导致重复计数吗？
作者回复: 也是一种好思路！