# RFM分析の実装 import pandas as pd import numpy as np from datetime import datetime, timedelta # サンプルデータ作成 np.random.seed(42) # 分析基準日 analysis_date = datetime(2024, 6, 30) # 顧客データ生成 n_customers = 1000 customer_ids = range(1, n_customers + 1) data = [] for customer_id in customer_ids: # 購買回数（1〜20回） n_purchases = np.random.randint(1, 21) # 各購買の日付と金額 for _ in range(n_purchases): days_ago = np.random.randint(1, 366) purchase_date = analysis_date – timedelta(days=days_ago) amount = np.random.randint(1000, 100001) data.append({ ‘customer_id’: customer_id, ‘purchase_date’: purchase_date, ‘amount’: amount }) df = pd.DataFrame(data) # RFM指標を計算 rfm = df.groupby(‘customer_id’).agg({ ‘purchase_date’: lambda x: (analysis_date – x.max()).days, # Recency ‘customer_id’: ‘count’, # Frequency（別名で集計） ‘amount’: ‘sum’ # Monetary }).reset_index() # purchase_dateの集計結果をrecencyに名前変更 rfm.columns = [‘customer_id’, ‘recency’, ‘frequency’, ‘monetary’] print(“【RFMデータのサンプル】”) print(rfm.head(10)) print(f”\n顧客数: {len(rfm)}人”)

# ============================================ # RFMスコアの計算 # ============================================ # 各指標を5段階（1〜5）にスコア化 # 5: 最も良い、1: 最も悪い def calculate_rfm_scores(rfm_df): “”” RFMスコアを計算（5段階） Parameters: ———– rfm_df : DataFrame – RFMの生データを含むDataFrame Returns: ——– DataFrame – スコアが追加されたDataFrame “”” rfm = rfm_df.copy() # ============================================ # pd.qcut(): 分位数で等分割（各グループが同じ人数になる） # ============================================ # q=5: 5分割（20%ずつのグループ） # labels=[5,4,3,2,1]: 各グループに付けるラベル # # なぜqcutを使うか？ # → データの分布に関係なく、各グループが同数になる # → 例: 1000人なら各スコアに200人ずつ # # Recencyは「小さいほど良い」（最近購入 = 良い顧客） # → ラベルを[5,4,3,2,1]にして、小さい値に高スコア rfm[‘R_score’] = pd.qcut(rfm[‘recency’], q=5, labels=[5, 4, 3, 2, 1]) # ============================================ # FrequencyとMonetaryのスコアリング # ============================================ # FrequencyとMonetaryは「大きいほど良い」 # → ラベルを[1,2,3,4,5]にして、大きい値に高スコア # # .rank(method=’first’)を使う理由： # → 同じ値（重複値）があるとqcutがエラーになる場合がある # → rank()で順位に変換すると、重複値もユニークな順位になる # → method=’first’: 同じ値は出現順で順位付け # # 例: frequency = [5, 5, 3, 3, 7] # → rank()後 = [3, 4, 1, 2, 5]（5が2つあっても別順位） rfm[‘F_score’] = pd.qcut(rfm[‘frequency’].rank(method=’first’), q=5, labels=[1, 2, 3, 4, 5]) rfm[‘M_score’] = pd.qcut(rfm[‘monetary’].rank(method=’first’), q=5, labels=[1, 2, 3, 4, 5]) # ============================================ # スコアを数値に変換 # ============================================ # qcutの結果はカテゴリ型（文字列のような扱い） # 計算に使うため、整数に変換 rfm[‘R_score’] = rfm[‘R_score’].astype(int) rfm[‘F_score’] = rfm[‘F_score’].astype(int) rfm[‘M_score’] = rfm[‘M_score’].astype(int) # ============================================ # RFMスコア（3桁で表現: 例555） # ============================================ # 文字列として結合 → “555”のような形式 # セグメント分類やフィルタリングに便利 rfm[‘RFM_score’] = (rfm[‘R_score’].astype(str) + rfm[‘F_score’].astype(str) + rfm[‘M_score’].astype(str)) # ============================================ # RFM合計スコア（3〜15点） # ============================================ # 簡易的なランキングに使用 # 高いほど優良顧客 rfm[‘RFM_total’] = rfm[‘R_score’] + rfm[‘F_score’] + rfm[‘M_score’] return rfm # スコア計算実行 rfm_scored = calculate_rfm_scores(rfm) print(“【RFMスコア計算結果】”) print(rfm_scored[[‘customer_id’, ‘recency’, ‘frequency’, ‘monetary’, ‘R_score’, ‘F_score’, ‘M_score’, ‘RFM_score’, ‘RFM_total’]].head(10)) print(“\n【スコアの読み方】”) print(“・R_score: 5=最近購入、1=長期間購入なし”) print(“・F_score: 5=頻繁に購入、1=購入回数少ない”) print(“・M_score: 5=高額購入、1=少額購入”) print(“・RFM_score: 555が最優良、111が最低ランク”) print(“\n【スコア分布】”) print(f”R_score平均: {rfm_scored[‘R_score’].mean():.2f}”) print(f”F_score平均: {rfm_scored[‘F_score’].mean():.2f}”) print(f”M_score平均: {rfm_scored[‘M_score’].mean():.2f}”) print(f”RFM合計平均: {rfm_scored[‘RFM_total’].mean():.2f}”)

# セグメント分類 def classify_customer(row): “””RFMスコアに基づいて顧客をセグメント分類””” r, f, m = row[‘R_score’], row[‘F_score’], row[‘M_score’] # Champions（最優良顧客） if r >= 4 and f >= 4 and m >= 4: return ‘Champions’ # Loyal Customers（ロイヤル顧客） elif r >= 3 and f >= 4: return ‘Loyal Customers’ # Potential Loyalists（優良顧客予備軍） elif r >= 4 and f >= 2 and f <= 3: return 'Potential Loyalists' # New Customers（新規顧客） elif r >= 4 and f == 1: return ‘New Customers’ # At Risk（要注意顧客） elif r <= 2 and f >= 3: return ‘At Risk’ # Can’t Lose Them（絶対離脱させたくない） elif r <= 2 and f >= 4 and m >= 4: return “Can’t Lose Them” # Lost（離脱顧客） elif r <= 2 and f <= 2: return 'Lost' else: return 'Others' # セグメント分類を適用 rfm_scored['segment'] = rfm_scored.apply(classify_customer, axis=1) print("【セグメント分布】") segment_counts = rfm_scored['segment'].value_counts() for segment, count in segment_counts.items(): pct = count / len(rfm_scored) * 100 print(f"{segment}: {count}人 ({pct:.1f}%)") # セグメント別の平均値 print("\n【セグメント別サマリー】") segment_summary = rfm_scored.groupby('segment').agg({ 'recency': 'mean', 'frequency': 'mean', 'monetary': 'mean', 'customer_id': 'count' }).round(1) segment_summary.columns = ['平均Recency', '平均Frequency', '平均Monetary', '顧客数'] segment_summary = segment_summary.sort_values('顧客数', ascending=False) print(segment_summary)

# セグメント分析の可視化 import matplotlib.pyplot as plt import numpy as np def visualize_rfm_segments(rfm_df): “””RFMセグメントの可視化””” fig, axes = plt.subplots(2, 2, figsize=(14, 10)) # 1. セグメント別顧客数 segment_counts = rfm_df[‘segment’].value_counts() colors = plt.cm.Set3(np.linspace(0, 1, len(segment_counts))) axes[0, 0].barh(segment_counts.index, segment_counts.values, color=colors) axes[0, 0].set_xlabel(‘顧客数’, fontsize=11) axes[0, 0].set_title(‘セグメント別顧客数’, fontsize=13, fontweight=’bold’) axes[0, 0].grid(axis=’x’, alpha=0.3) # 値を表示 for i, (idx, val) in enumerate(segment_counts.items()): axes[0, 0].text(val + 5, i, f'{val}人’, va=’center’) # 2. セグメント別売上構成比 segment_revenue = rfm_df.groupby(‘segment’)[‘monetary’].sum() axes[0, 1].pie(segment_revenue.values, labels=segment_revenue.index, autopct=’%1.1f%%’, startangle=90, colors=colors) axes[0, 1].set_title(‘セグメント別売上構成比’, fontsize=13, fontweight=’bold’) # 3. R-F散布図 scatter = axes[1, 0].scatter(rfm_df[‘recency’], rfm_df[‘frequency’], c=rfm_df[‘RFM_total’], cmap=’RdYlGn’, alpha=0.6, s=50) axes[1, 0].set_xlabel(‘Recency (日)’, fontsize=11) axes[1, 0].set_ylabel(‘Frequency (回)’, fontsize=11) axes[1, 0].set_title(‘Recency × Frequency’, fontsize=13, fontweight=’bold’) axes[1, 0].invert_xaxis() plt.colorbar(scatter, ax=axes[1, 0], label=’RFM合計スコア’) axes[1, 0].grid(alpha=0.3) # 4. RFM平均スコア rfm_scores = rfm_df[[‘R_score’, ‘F_score’, ‘M_score’]].mean() bars = axes[1, 1].bar([‘Recency’, ‘Frequency’, ‘Monetary’], rfm_scores.values, color=[‘coral’, ‘skyblue’, ‘lightgreen’], edgecolor=’black’) axes[1, 1].set_ylabel(‘平均スコア’, fontsize=11) axes[1, 1].set_title(‘RFM平均スコア’, fontsize=13, fontweight=’bold’) axes[1, 1].set_ylim(0, 5) axes[1, 1].grid(axis=’y’, alpha=0.3) for bar, val in zip(bars, rfm_scores.values): axes[1, 1].text(bar.get_x() + bar.get_width()/2, val + 0.1, f'{val:.2f}’, ha=’center’, fontweight=’bold’) plt.tight_layout() plt.savefig(‘rfm_analysis.png’, dpi=150, bbox_inches=’tight’) plt.show() print(“→ グラフを保存しました: rfm_analysis.png”) # 可視化実行 visualize_rfm_segments(rfm_scored)

# セグメント別施策の自動提案 def recommend_action(segment): “””セグメントに応じた施策を提案””” recommendations = { ‘Champions’: { ‘priority’: ‘★★★★★’, ‘goal’: ‘維持・さらなるロイヤル化’, ‘actions’: [ ‘VIP専用サポートの提供’, ‘新商品の先行案内’, ‘アンバサダープログラムへの招待’, ‘限定イベントへの招待’ ], ‘budget_ratio’: 0.25 }, ‘Loyal Customers’: { ‘priority’: ‘★★★★☆’, ‘goal’: ‘Champions化’, ‘actions’: [ ‘ロイヤリティプログラムの強化’, ‘アップセル・クロスセル提案’, ‘定期購入への誘導’, ‘ポイント還元率アップ’ ], ‘budget_ratio’: 0.20 }, ‘At Risk’: { ‘priority’: ‘★★★★★’, ‘goal’: ‘復活・離脱防止’, ‘actions’: [ ‘「お久しぶりです」キャンペーン’, ‘限定クーポン送付（20-30%OFF）’, ‘離脱理由アンケート’, ‘パーソナライズドオファー’ ], ‘budget_ratio’: 0.25 }, “Can’t Lose Them”: { ‘priority’: ‘★★★★★’, ‘goal’: ‘絶対に離脱させない’, ‘actions’: [ ‘電話でのパーソナルフォロー’, ‘特別割引（40-50%OFF）’, ‘VIP復活プログラム’, ‘経営層からの特別メッセージ’ ], ‘budget_ratio’: 0.15 }, ‘Potential Loyalists’: { ‘priority’: ‘★★★☆☆’, ‘goal’: ‘Loyal化’, ‘actions’: [ ‘リピート購入割引’, ‘会員プログラムへの誘導’, ‘関連商品レコメンド’, ‘購入頻度向上施策’ ], ‘budget_ratio’: 0.08 }, ‘New Customers’: { ‘priority’: ‘★★★☆☆’, ‘goal’: ‘2回目購入促進’, ‘actions’: [ ‘ウェルカムキャンペーン’, ‘2回目購入クーポン’, ‘オンボーディングメール’, ‘使い方ガイド送付’ ], ‘budget_ratio’: 0.05 }, ‘Lost’: { ‘priority’: ‘★☆☆☆☆’, ‘goal’: ‘低コストでの再獲得試行’, ‘actions’: [ ‘一斉メール（低コスト）’, ‘大幅割引クーポン（50%OFF）’, ‘反応があれば個別フォロー’ ], ‘budget_ratio’: 0.02 }, ‘Others’: { ‘priority’: ‘★★☆☆☆’, ‘goal’: ‘セグメント移動の促進’, ‘actions’: [ ‘一般的なキャンペーン案内’, ‘購入履歴に基づくレコメンド’ ], ‘budget_ratio’: 0.00 } } return recommendations.get(segment, recommendations[‘Others’]) # セグメント別レポート生成 def generate_segment_report(rfm_df): “””セグメント別のアクションレポートを生成””” print(“=” * 70) print(“RFM分析レポート – セグメント別施策提案”) print(“=” * 70) segments = rfm_df[‘segment’].value_counts() for segment, count in segments.items(): rec = recommend_action(segment) pct = count / len(rfm_df) * 100 print(f”\n【{segment}】”) print(f” 顧客数: {count}人 ({pct:.1f}%)”) print(f” 優先度: {rec[‘priority’]}”) print(f” 目標: {rec[‘goal’]}”) print(f” 予算配分: {rec[‘budget_ratio’]*100:.0f}%”) print(f” 推奨施策:”) for i, action in enumerate(rec[‘actions’], 1): print(f” {i}. {action}”) print(“\n” + “=” * 70) # レポート生成 generate_segment_report(rfm_scored)