rfm

FLO_RFM.py

@@ -0,0 +1,204 @@
+import datetime
+###############################################################
+# RFM ile Müşteri Segmentasyonu (Customer Segmentation with RFM)
+###############################################################
+
+###############################################################
+# İş Problemi (Business Problem)
+###############################################################
+# FLO müşterilerini segmentlere ayırıp bu segmentlere göre pazarlama stratejileri belirlemek istiyor.
+# Buna yönelik olarak müşterilerin davranışları tanımlanacak ve bu davranış öbeklenmelerine göre gruplar oluşturulacak..
+
+###############################################################
+# Veri Seti Hikayesi
+###############################################################
+
+# Veri seti son alışverişlerini 2020 - 2021 yıllarında OmniChannel(hem online hem offline alışveriş yapan) olarak yapan
+# müşterilerin geçmiş alışveriş davranışlarından elde edilen bilgilerden oluşmaktadır.
+
+# master_id: Eşsiz müşteri numarası
+# order_channel : Alışveriş yapılan platforma ait hangi kanalın kullanıldığı (Android, ios, Desktop, Mobile, Offline)
+# last_order_channel : En son alışverişin yapıldığı kanal
+# first_order_date : Müşterinin yaptığı ilk alışveriş tarihi
+# last_order_date : Müşterinin yaptığı son alışveriş tarihi
+# last_order_date_online : Muşterinin online platformda yaptığı son alışveriş tarihi
+# last_order_date_offline : Muşterinin offline platformda yaptığı son alışveriş tarihi
+# order_num_total_ever_online : Müşterinin online platformda yaptığı toplam alışveriş sayısı
+# order_num_total_ever_offline : Müşterinin offline'da yaptığı toplam alışveriş sayısı
+# customer_value_total_ever_offline : Müşterinin offline alışverişlerinde ödediği toplam ücret
+# customer_value_total_ever_online : Müşterinin online alışverişlerinde ödediği toplam ücret
+# interested_in_categories_12 : Müşterinin son 12 ayda alışveriş yaptığı kategorilerin listesi
+
+###############################################################
+# GÖREVLER
+###############################################################
+
+# GÖREV 1: Veriyi Anlama (Data Understanding) ve Hazırlama
+# 1. flo_data_20K.csv verisini okuyunuz.
+import datetime as dt
+import pandas as pd
+import time
+import warnings
+
+pd.set_option('display.max_columns', None)
+pd.set_option('display.width', 600)
+# pd.set_option('display.max_rows', None)
+pd.set_option('display.float_format', lambda x: '%.3f' % x)
+
+df_ = pd.read_csv("flo_data_20k.csv")
+df = df_.copy()
+# 2. Veri setinde
+# a. İlk 10 gözlem,
+# b. Değişken isimleri,
+# c. Betimsel istatistik,
+# d. Boş değer,
+# e. Değişken tipleri, incelemesi yapınız.
+df.head(10)
+df.columns
+df.dtypes
+df.shape
+df.isnull().sum()
+df.describe().T
+# 3. Omnichannel müşterilerin hem online'dan hemde offline platformlardan alışveriş yaptığını ifade etmektedir.
+# Herbir müşterinin toplam alışveriş sayısı ve harcaması için yeni değişkenler oluşturun.
+
+df["total_order_num"] = df["order_num_total_ever_online"] + df["order_num_total_ever_offline"]
+df["total_customer_value"] = df["customer_value_total_ever_offline"] + df["customer_value_total_ever_online"]
+
+# 4. Değişken tiplerini inceleyiniz. Tarih ifade eden değişkenlerin tipini date'e çeviriniz.
+## Metod1
+for col in df.columns:  # 0.07s
+    if "date" in col:
+        df[col] = pd.to_datetime(df[col])
+
+## Metod2
+[pd.to_datetime(df[col]) for col in df.columns if "date" in col]  # 0.03s
+
+## Metod3
+[df[col].apply(lambda x: dt.datetime.strptime(x, '%Y-%m-%d')) for col in df.columns if "date" in col]  # 1.45s
+
+# 5. Alışveriş kanallarındaki müşteri sayısının, ortalama alınan ürün sayısının
+# ve ortalama harcamaların dağılımına bakınız.
+
+df.groupby("order_channel").agg({"master_id": ["count"],
+                                 "total_order_num": "mean",
+                                 "total_customer_value": "mean"})
+
+# 6. En fazla kazancı getiren ilk 10 müşteriyi sıralayınız.
+df[["master_id", "total_customer_value"]].sort_values("total_customer_value", ascending=False).head(10)
+
+# 7. En fazla siparişi veren ilk 10 müşteriyi sıralayınız.
+df[["master_id", "total_order_num"]].sort_values("total_order_num", ascending=False).head(10)
+
+
+# 8. Veri ön hazırlık sürecini fonksiyonlaştırınız.
+
+def change_date_types(dataframe):
+    '''Changes a variable types of dates from object to datetime '''
+
+    dataframe["total_order_num"] = dataframe["order_num_total_ever_online"] + dataframe["order_num_total_ever_offline"]
+    dataframe["total_customer_value"] = dataframe["customer_value_total_ever_offline"] + dataframe[
+        "customer_value_total_ever_online"]
+    for col in dataframe.columns:  # 0.07s
+        if "date" in col:
+            dataframe[col] = pd.to_datetime(dataframe[col])
+
+    return dataframe
+
+
+def analyze_df(dataframe, avg_order_and_value=False, show_best_values=False, show_most_orders=False):
+    if avg_order_and_value:
+        return dataframe.groupby("order_channel").agg({"master_id": ["count"],"total_order_num": "mean",
+                                                       "total_customer_value": "mean"})
+    if show_best_values:
+        return dataframe[["master_id", "total_customer_value"]].sort_values("total_customer_value",
+                                                                            ascending=False).head(10)
+    if show_most_orders:
+        return dataframe[["master_id", "total_order_num"]].sort_values("total_order_num", ascending=False).head(10)
+
+
+# calling functions
+df_with_updated_date = change_date_types(df)
+analyze_df(df_with_updated_date, avg_order_and_value=True)
+# GÖREV 2: RFM Metriklerinin Hesaplanması
+
+# Veri setindeki en son alışverişin yapıldığı tarihten 2 gün sonrasını analiz tarihi
+
+df["last_order_date"].max()
+
+today_date = dt.datetime(2021, 6, 1)  # y-m-d
+
+# customer_id, recency, frequency ve monetary değerlerinin yer aldığı yeni bir rfm dataframe
+
+rfm = df.groupby("master_id").agg({"last_order_date": lambda x: (today_date - x.max()).days,
+                                   "total_order_num": lambda x: x,
+                                   "total_customer_value": lambda x: x})
+
+rfm.head()
+rfm.columns = ["recency", "frequency", "monetary"]
+# GÖREV 3: RF ve RFM Skorlarının Hesaplanması
+
+# Recency, Frequency ve Monetary metriklerini qcut yardımı ile 1-5 arasında skorlara çevrilmesi ve
+# Bu skorları recency_score, frequency_score ve monetary_score olarak kaydedilmesi
+
+rfm["recency_score"] = pd.qcut(rfm["recency"], 5, labels=[5, 4, 3, 2, 1])
+
+rfm["frequency_score"] = pd.qcut(rfm["frequency"].rank(method="first"), 5, labels=[1, 2, 3, 4, 5])
+
+rfm["monetary_score"] = pd.qcut(rfm["monetary"], 5, labels=[1, 2, 3, 4, 5])
+
+# recency_score ve frequency_score’u tek bir değişken olarak ifade edilmesi ve RF_SCORE olarak kaydedilmesi
+
+rfm["RFM_SCORE"] = (rfm["recency_score"].astype(str) +
+                    rfm["frequency_score"].astype(str))
+# GÖREV 4: RF Skorlarının Segment Olarak Tanımlanması
+
+# Oluşturulan RFM skorların daha açıklanabilir olması için segment tanımlama
+# ve  tanımlanan seg_map yardımı ile RF_SCORE'u segmentlere çevirme
+
+seg_map = {
+    r'[1-2][1-2]': 'hibernating',
+    r'[1-2][3-4]': 'at_Risk',
+    r'[1-2]5': 'cant_loose',
+    r'3[1-2]': 'about_to_sleep',
+    r'33': 'need_attention',
+    r'[3-4][4-5]': 'loyal_customers',
+    r'41': 'promising',
+    r'51': 'new_customers',
+    r'[4-5][2-3]': 'potential_loyalists',
+    r'5[4-5]': 'champions'
+}
+
+rfm['segment'] = rfm['RFM_SCORE'].replace(seg_map, regex=True)
+
+# GÖREV 5: Aksiyon zamanı!
+# 1. Segmentlerin recency, frequnecy ve monetary ortalamalarını inceleyiniz.
+rfm[['segment', 'recency', 'frequency', 'monetary']].groupby("segment").agg(["mean"])
+
+# 2. RFM analizi yardımı ile 2 case için ilgili profildeki müşterileri bulun ve müşteri id'lerini csv ye kaydediniz.
+# a. FLO bünyesine yeni bir kadın ayakkabı markası dahil ediyor. Dahil ettiği markanın ürün fiyatları genel müşteri tercihlerinin üstünde. Bu nedenle markanın
+# tanıtımı ve ürün satışları için ilgilenecek profildeki müşterilerle özel olarak iletişime geçeilmek isteniliyor. Sadık müşterilerinden(champions,loyal_customers),
+# ortalama 250 TL üzeri ve kadın kategorisinden alışveriş yapan kişiler özel olarak iletişim kuralacak müşteriler. Bu müşterilerin id numaralarını csv dosyasına
+# yeni_marka_hedef_müşteri_id.cvs olarak kaydediniz.
+
+
+df['avg_price_for_per_item'] = df['total_customer_value'] / df['total_order_num']  # ortalama değer sütunu
+
+rfm = pd.merge(rfm, df[['interested_in_categories_12', 'master_id', 'avg_price_for_per_item']], on='master_id')
+
+rfm_women = rfm[((rfm["segment"] == "champions") | (rfm["segment"] == "loyal_customers")) &
+                (rfm['avg_price_for_per_item'] > 250) &
+                (rfm['interested_in_categories_12'].str.contains('KADIN'))].reset_index()
+
+rfm_women.drop('index', axis=1)
+rfm_women['master_id'].to_csv("yeni_marka_hedef_müşteri_id", index=False)
+# b. Erkek ve Çoçuk ürünlerinde %40'a yakın indirim planlanmaktadır. Bu indirimle ilgili kategorilerle ilgilenen geçmişte iyi müşteri olan ama uzun süredir
+# alışveriş yapmayan kaybedilmemesi gereken müşteriler, uykuda olanlar ve yeni gelen müşteriler özel olarak hedef alınmak isteniliyor. Uygun profildeki müşterilerin id'lerini csv dosyasına indirim_hedef_müşteri_ids.csv
+# olarak kaydediniz.
+rfm_men_and_children = rfm[
+    ((rfm["segment"] == "cant_loose") | (rfm["segment"] == "about_to_sleep") | (rfm["segment"] == "new_customers")) &
+    ((rfm['interested_in_categories_12'].str.contains('ERKEK')) | (
+        rfm['interested_in_categories_12'].str.contains('COCUK')))].reset_index()
+
+
+# GÖREV 6: Tüm süreci fonksiyonlaştırınız.

RFM_func.py

@@ -0,0 +1,114 @@
+
+
+import datetime as dt
+import pandas as pd
+import time
+import warnings
+
+pd.set_option('display.max_columns', None)
+pd.set_option('display.width', 400)
+# pd.set_option('display.max_rows', None)
+pd.set_option('display.float_format', lambda x: '%.3f' % x)
+
+
+df_ = pd.read_csv("flo_data_20k.csv")
+df = df_.copy()
+
+
+def pre_analysing(df):
+    print(df.head(10))
+    print(df.columns)
+    print(df.dtypes)
+    print(df.shape)
+    print(df.isnull().sum())
+    print(df.describe().T)
+    return
+
+
+def change_date_types(dataframe):
+    '''Changes a variable types of dates from object to datetime '''
+
+    dataframe["total_order_num"] = dataframe["order_num_total_ever_online"] + dataframe["order_num_total_ever_offline"]
+    dataframe["total_customer_value"] = dataframe["customer_value_total_ever_offline"] + dataframe[
+        "customer_value_total_ever_online"]
+    for col in dataframe.columns:  # 0.07s
+        if "date" in col:
+            dataframe[col] = pd.to_datetime(dataframe[col])
+
+    return dataframe
+
+
+def analyze_df(dataframe, avg_order_and_value=False, show_best_values=False, show_most_orders=False):
+
+    if avg_order_and_value:
+        print("avg orders and values are:")
+        print(dataframe.groupby("order_channel").agg({"master_id": ["count"],
+                                                       "total_order_num": "mean",
+                                                       "total_customer_value": "mean"}).reset_index().head())
+    if show_best_values:
+        print("top 5 values are:")
+        print(dataframe[["master_id", "total_customer_value"]].sort_values("total_customer_value",
+                                                                            ascending=False).reset_index().head())
+    if show_most_orders:
+        print("most orders are:")
+        print(dataframe[["master_id", "total_order_num"]].sort_values("total_order_num",
+                                                                      ascending=False).reset_index().head())
+
+
+# calling functions
+
+
+def rfm_metrix(dataframe, csv=False):
+    dataframe["last_order_date"].max()
+    today_date = dt.datetime(2021, 6, 1)  # y-m-d
+    rfm = dataframe.groupby("master_id").agg({"last_order_date": lambda x: (today_date - x.max()).days,
+                                              "total_order_num": lambda x: x,
+                                              "total_customer_value": lambda x: x})
+
+    rfm.columns = ["recency", "frequency", "monetary"]
+    rfm["recency_score"] = pd.qcut(rfm["recency"], 5, labels=[5, 4, 3, 2, 1])
+    rfm["frequency_score"] = pd.qcut(rfm["frequency"].rank(method="first"), 5, labels=[1, 2, 3, 4, 5])
+    rfm["monetary_score"] = pd.qcut(rfm["monetary"], 5, labels=[1, 2, 3, 4, 5])
+
+    rfm["RFM_SCORE"] = (rfm["recency_score"].astype(str) +
+                        rfm["frequency_score"].astype(str))
+
+    seg_map = {
+        r'[1-2][1-2]': 'hibernating',
+        r'[1-2][3-4]': 'at_Risk',
+        r'[1-2]5': 'cant_loose',
+        r'3[1-2]': 'about_to_sleep',
+        r'33': 'need_attention',
+        r'[3-4][4-5]': 'loyal_customers',
+        r'41': 'promising',
+        r'51': 'new_customers',
+        r'[4-5][2-3]': 'potential_loyalists',
+        r'5[4-5]': 'champions'
+    }
+
+    rfm['segment'] = rfm['RFM_SCORE'].replace(seg_map, regex=True)
+    rfm[['segment', 'recency', 'frequency', 'monetary']].groupby("segment").agg(["mean"])
+
+    df['avg_price_for_per_item'] = df['total_customer_value'] / df['total_order_num']  # ortalama değer sütunu
+
+    rfm = pd.merge(rfm, df[['interested_in_categories_12', 'master_id', 'avg_price_for_per_item']], on='master_id')
+    rfm_women = rfm[((rfm["segment"] == "champions") | (rfm["segment"] == "loyal_customers")) &
+                    (rfm['avg_price_for_per_item'] > 250) &
+                    (rfm['interested_in_categories_12'].str.contains('KADIN'))].reset_index()
+
+    rfm_women.drop('index', axis=1)
+    rfm_women['master_id'].to_csv("yeni_marka_hedef_müşteri_id", index=False)
+
+    rfm_men_and_children = rfm[((rfm["segment"] == "cant_loose") | (rfm["segment"] == "about_to_sleep") | (rfm["segment"] == "new_customers")) &
+        ((rfm['interested_in_categories_12'].str.contains('ERKEK')) |
+        (rfm['interested_in_categories_12'].str.contains('COCUK')))].reset_index()
+
+    if csv:
+        return rfm_women['master_id'].to_csv("yeni_marka_hedef_müşteri_id", index=False),
+        rfm_men_and_children['master_id'].to_csv("target_customer", index=False)
+
+
+pre_analysing(df)
+df_with_updated_date = change_date_types(df)
+analyze_df(df, show_best_values=True, show_most_orders=True)
+rfm_metrix(df_with_updated_date, csv=True)