团队需要分析一个来自在线零售商的数据集。
该数据集包含了78周的购买历史。该数据文件中的每条记录包括四个字段。
客户的ID（从1到2357不等），交易日期，购买的书籍数量，以及价值。
购买的书籍数量，以及交易的价值。
我们被要求建立一个模型来预测消费者每周的购买频率、书籍的购买单位和购买价值。
可下载资源
RFM模型
RFM是一个用于营销分析的模型，它通过购买模式或习惯来细分公司的消费者群体。特别是，它评估了客户的回顾性（他们多久前进行过一次购买）、频率（他们购买的频率）和货币价值（他们花多少钱）。
然后，通过测量和分析消费习惯，RFM被用来识别一个公司或组织的最佳客户，以改善低分客户并保持高分客户。
关键要点
经常性、频率、价值（RFM）是一种营销分析工具，用于根据客户消费习惯的性质来确定公司的最佳客户。 一个RFM分析通过对客户和顾客的三个类别进行打分来评估他们：他们最近有多大的购买行为，他们购买的频率，以及他们购买的规模。 RFM模型为这三个类别中的每一个客户打出1-5分（从最差到最好）的分数。 RFM分析帮助企业合理地预测哪些客户有可能再次购买他们的产品，有多少收入来自于新客户（相对于老客户），以及如何将偶尔的买家变成习惯的买家。
####计算用户最近一次的购买
R_table$R <- as.numeric(NOW - ParsedDate)
###计算用户的购买频率
aggregate(FUN=length) # Calculate F
###计算用户的购买金额
aggregate(FUN=sum) # Calculate M
得到每个用户的RFM值，利用RFM三个值的四分位数来对用户进行分类
多元线性回归模型
查看回归模型结果
随时关注您喜欢的主题
得到对r值的线性拟合模型的结果，可以看到RFM三个分类值都与r值有显著的关系，Rsquare值达到了0.8以上，说明拟合效果较好。
得到对r值的线性拟合模型的结果，可以看到RFM三个分类值都与f值有显著的关系，Rsquare值达到早0.4左右，说明拟合效果一般。
得到对r值的线性拟合模型的结果，可以看到出了M分类值以外，FM的分类值都与f值有显著的关系，Rsquare值达到了0.4左右，说明拟合效果一般。
对测试集做预测
线性回归模型预测值和拟合值比较
预测拟合值的图中，红点表示实际样本点，可以看到F和M值的预测相对接近实际样本点，预测效果较好。然而，误差仍然比较大，因此尝试采用决策树模型进行预测。
决策树模型预测
ct <- rpart.control(xval=10, minsplit=20, cp=0.1)
绘制决策树
rpart.plot(fitR, branch=1, branch.type=2, type=1,
border.col="blue", split.col="red",
从结果图来看，决策树对f值和m值的拟合程度更好。
从三个模型的结果里来看，rel error和xerror都较小，因此模型预测拟合效果较好。
因此，模型的整体效果相对线性模型得到了提升。
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
Python生成对抗神经网络GAN预测股票及LSTMs、ARIMA对比分析ETF金融时间序列可视化
Python、R循环神经网络RNN、指数平滑ETS、ARIMA模型预测网络流量、ATM机取款、旅游需求时间序列数据
MATLAB深度学习Transformer神经网络量化金融时间序列预测交易策略回测
MATLAB图注意力网络GAT多标签图分类预测可视化
