活动门店RFM分析项目

基于RFM模型+KMeans聚类的新品活动门店价值分层分析，为运营策略制定提供数据支撑

项目概述

本项目针对线下零食连锁品牌新品活动效果不佳的问题，通过RFM用户分层模型+KMeans聚类算法，完成门店价值分层，识别不同类型门店的活动参与特征与销售贡献，输出可落地的精细化运营策略，实现资源精准投放、活动效果提升的核心目标。

一、项目背景

开展新品活动后，活动效果不佳，需针对不同的门店情况，精细化运营：

  • 识别高价值核心门店，保障核心资源倾斜；
  • 筛选低价值门店，提高转化；
  • 定位流失风险门店，制定召回策略。

二、技术栈

类别 技术/工具
数据处理 Python、Pandas、NumPy
可视化 Matplotlib、Seaborn
机器学习 Scikit-learn（StandardScaler、KMeans）

三、核心功能模块

1. 数据预处理

  • 日期格式标准化转换；
  • 剔除非核心字段，聚焦门店消费核心维度；
  • 异常值/警告屏蔽，保证分析流程稳定。

2. RFM指标计算

基于门店消费行为计算核心指标：

  • R（Recency）：门店最近一次消费与活动结束日的间隔天数；
  • F（Frequency）：门店消费频次（活动期间消费次数）；
  • M（Monetary）：门店消费金额/销量（活动期间总销量）。

3. RFM打分与可视化

  • 基于分位数（25%/50%/75%）对R/F/M指标分段打分；
  • 可视化RFM组合分数分布（彩虹渐变配色柱状图）。

肘部法则选最优k值

肘部法则选最优k值

4. KMeans聚类分析

  • 数据标准化消除量纲影响；
  • 肘部法则选择最优聚类数量（k=4）；
  • 门店价值分层聚类，并可视化分群结果。

5. 分群特征统计

输出各聚类分群的RFM打分均值，量化不同门店群的核心特征。

四、项目亮点

  • 业务贴合性：采用真实数据，聚焦业务场景，指标设计贴合行业特点；
  • 数据可视化：肘部法则图、分群分布图，直观呈现分析结果；
  • 算法落地性：肘部法则科学选k，避免聚类数量主观判断；
  • 可解释性强：聚类结果映射为业务化分群名称（如高价值核心门店），便于运营理解。

五、分析结果与业务建议

RFM组合分数分布 门店聚类分群分布

Cluster 1：核心高价值标杆门店

特征拆解（全维度得分第一）

  • R≈3.80：最近参与活动间隔极短，持续高频参与
  • F≈3.49：活动参与次数最多，对活动响应度极高
  • M≈3.62：活动总销量最高，是单品销售的核心贡献者

落地动作

  • 资源倾斜：优先保障该类门店的单品库存、活动物料（试吃装、陈列展架、海报），最大化销售潜力
  • 方法复制：提炼该类门店的活动落地方法论（如黄金陈列位、导购推荐话术、试吃活动玩法），进行宣传推广

Cluster 2：高活跃低转化潜力门店

特征拆解（R 极高，F/M 极低）

  • R≈3.76：最近参与活动间隔极短，近期活跃度拉满，门店对活动有明确参与意愿
  • F≈1.90：活动参与频次极低，仅偶尔参与，未形成稳定参与习惯
  • M≈2.01：活动总销量极低，未转化为实际销售

落地动作

  • 问题定位：诊断低转化原因（如陈列不佳、导购推荐不足、试吃不到位），制定针对性运营方案

Cluster 3：沉睡有基础唤醒门店

特征拆解（R 极低，F/M 中等）

  • R≈1.59：最近参与活动间隔很长，长期未参与，处于沉睡状态
  • F≈2.18：历史有一定的活动参与频次，并非完全无活动经验
  • M≈2.42：历史有一定的销量贡献，有单品销售基础

落地动作

  • 触达唤醒：通过区域督导上门沟通、门店专属社群通知，推送最新活动政策（如总部补贴、零库存试销方案）
  • 了解门店未参与的痛点（担心库存积压、对产品不熟悉），针对性解决

Cluster 4：低活跃低贡献低效门店

特征拆解（全维度得分最低）

  • R≈1.32：最近参与活动间隔极长，几乎不参与活动
  • F≈1.08：活动参与次数极少，完全无活动参与习惯
  • M≈1.10：活动总销量几乎为 0，销售贡献低

落地动作

  • 诊断筛选：对该类门店进行逐一诊断，区分两类情况：
    • 客观不适合（门店位置、客群不匹配）：标记为「单品低潜力门店」，减少该单品活动推送与资源投放
    • 主观不重视：纳入重点督导范围

六、代码模块分析

总览

本项目代码构建了「数据预处理→RFM指标量化→智能聚类→可视化分析→业务落地」的完整闭环，模块化、可复用，为精细化运营提供数据支撑。

分模块拆解

1. 依赖与全局配置模块

  • 导入核心分析库，统一环境配置，保障代码稳定运行

2. 工具函数封装模块

  • 封装R/FM打分、肘部图绘制函数，提升代码复用性

3. 数据加载与预处理模块

  • 数据清洗、日期标准化、按门店聚合计算RFM核心指标

4. RFM打分与可视化模块

  • 分位数打分+组合分数可视化，呈现门店分层基础

5. KMeans聚类分析模块

  • 数据标准化+肘部法则选k+聚类分层，实现门店价值划分

6. 聚类结果可视化与输出模块

  • 分群分布可视化+指标统计，为运营策略提供数据依据

总结

代码结构清晰，逻辑严谨，全链路打通，可快速复用至全品类活动分析，具备极强的扩展性与业务价值。