✅ [3일차] 구매 빈도 분석 – RFM 분석 기초와 실습

 

✅ [3일차] 구매 빈도 분석 – RFM 분석 기초와 실습

– 데이터를 통해 진짜 VIP 고객을 찾는 법

---

📌 RFM 분석이란?

RFM은 고객을 다음 세 가지 기준으로 정량 평가하는 기법입니다:

항목 설명

R (Recency)	마지막 구매일로부터 지난 일수
F (Frequency)	일정 기간 내 구매 횟수
M (Monetary)	일정 기간 내 총 구매 금액

이 세 가지 지표를 기반으로
고객을 충성 고객, 잠재 고객, 이탈 고객 등으로 구분할 수 있습니다.

---

🧠 RFM 분석이 중요한 이유

• 리소스를 집중해야 할 고객을 찾아낸다
• 고객 상태에 따라 맞춤형 마케팅 전략 수립 가능
• 기존 고객 유지 비용은 신규 고객 확보보다 효율적이다

---

📂 예시 데이터 구조

customer_id,last_purchase_date,purchase_count,total_spent
C001,2024-05-18,8,240000
C002,2024-02-14,2,54000
C003,2024-04-02,5,180000
C004,2023-11-01,1,23000
C005,2024-05-20,10,320000
...

---

🛠 실습: Python으로 RFM 점수 계산하기

반응형

import pandas as pd
from datetime import datetime

# 데이터 불러오기
df = pd.read_csv("rfm_data.csv")

# 기준 날짜 설정
today = datetime(2024, 6, 1)

# RFM 계산
df['Recency'] = (today - pd.to_datetime(df['last_purchase_date'])).dt.days
df['Frequency'] = df['purchase_count']
df['Monetary'] = df['total_spent']

# 각 항목을 5점 척도로 나누기 (5 = 가장 우수)
df['R_Score'] = pd.qcut(df['Recency'], 5, labels=[5, 4, 3, 2, 1])
df['F_Score'] = pd.qcut(df['Frequency'].rank(method='first'), 5, labels=[1, 2, 3, 4, 5])
df['M_Score'] = pd.qcut(df['Monetary'], 5, labels=[1, 2, 3, 4, 5])

# RFM 점수 통합
df['RFM_Score'] = df['R_Score'].astype(str) + df['F_Score'].astype(str) + df['M_Score'].astype(str)

# 상위 10명 출력
print(df[['customer_id', 'Recency', 'Frequency', 'Monetary', 'RFM_Score']].head(10))

---

📊 실무에서 RFM 점수로 고객 분류하기

RFM Score 해석 전략

555	가장 최근/자주/많이 구매 → 충성 고객	신제품 알림, VIP 이벤트
155	자주/많이 구매했으나 최근에 없음 → 이탈 위험 고객	리텐션 쿠폰, 관심 유도 캠페인
511	최근 구매만 했지만 한 번 → 신규 고객	웰컴 메시지, 반복 유도 마케팅
111	최근 X, 구매 적음 → 비활성 고객	서베이 or 비활성 캠페인 제거 대상

---

📈 시각화 팁

import seaborn as sns
import matplotlib.pyplot as plt

sns.histplot(df['RFM_Score'], bins=20)
plt.title("고객 RFM 점수 분포")
plt.xlabel("RFM Score")
plt.ylabel("고객 수")
plt.show()

---

💡 실무에서 주의할 점

1. RFM 점수는 단순히 3자리 숫자가 아니다.
   → 각 항목별로 고객 특성을 읽는 눈이 중요
2. 업종별로 Recency 해석이 다를 수 있음
   → 예: 뷰티 제품 30일 / 가전제품 180일
3. 전체 고객 수가 작다면 3분위 수로 나누는 것도 고려

---

✅ 오늘의 요약

• RFM 분석은 고객을 수치로 정량화해 분류하는 대표적 방법이다.
• Python으로 쉽게 RFM 점수를 계산하고, 고객군을 구분할 수 있다.
• 각 점수는 전략적 마케팅 의사결정의 근거가 된다.

---

📝 오늘의 실습 과제

1. last_purchase_date, purchase_count, total_spent로
   • Recency, Frequency, Monetary 계산
   • 각 항목별 5점 척도 나누기
   • RFM_Score 생성
2. RFM 점수가 555인 고객과 111인 고객을 비교하고
   어떤 마케팅 메시지를 보내야 할지 제안해보세요.

---

🚀 다음 예고

[4일차] 캠페인 성과 분석 – Before & After 비교로 전환율 측정하기
전환율(CVR), 구매율을 기준으로 캠페인 실행 전/후 분석을 배웁니다.
실무에서 반드시 필요한 리포트 분석 방식입니다.

---

 

RFM분석, 마케팅세그먼트, 고객충성도, 이탈고객분석, 구매빈도분석, PythonRFM, 실무마케팅분석, 고객점수화, 리텐션분석, RFM실습코드

---