├── README.md
└── RFM.py


/README.md:
--------------------------------------------------------------------------------
1 | # RFM-Analysis-for-Customer-Segmentation
2 | 
3 | I segmented the customers according to their behavior and thus more comfortable marketing strategies can be made.
4 | 
5 | For those who want to access the data set: https://archive.ics.uci.edu/ml/datasets/Online+Retail+II
6 | 


--------------------------------------------------------------------------------
/RFM.py:
--------------------------------------------------------------------------------
 1 | import datetime as dt
 2 | import pandas as pd
 3 | import matplotlib.pyplot as plt
 4 | 
 5 | pd.set_option('display.max_columns', None)
 6 | pd.set_option('display.float_format', lambda x: '%.5f' % x)
 7 | df_ = pd.read_excel("online_retail_II.xlsx", sheet_name="Year 2010-2011")
 8 | df = df_.copy()
 9 | 
10 | df.info()
11 | df.isnull().sum()
12 | 
13 | # boş değerleri kaldırmak
14 | df.dropna(inplace=True)
15 | 
16 | # ürünlerin adet sayıları
17 | df["Description"].value_counts().head()
18 | 
19 | # essiz ürün sayısı
20 | df["Description"].nunique()
21 | 
22 | # ürünlerin toplam satıs miktarını çoktan aza doğru sıralamak
23 | df.groupby("Description").agg({"Quantity": "sum"}).sort_values("Quantity", ascending=False).head()
24 | 
25 | # kesilen fatura adedi
26 | df["Invoice"].nunique()
27 | 
28 | # iade ürünleri işlemlere dahil etmemek için eledik
29 | df = df[~df["Invoice"].str.contains("C", na=False)]
30 | 
31 | # her bir üründen kazanılan ücreti hesaplamak için bir değişken atadık
32 | df["TotalPrice"] = df["Quantity"] * df["Price"]
33 | 
34 | # veri setinin son halinde bir aykırılık olup olmadığını kontrol ediyoruz
35 | df.describe([0.01, 0.05, 0.10, 0.25, 0.50, 0.75, 0.90, 0.95, 0.99]).T
36 | 
37 | # veri setindeki son tarihe baktık
38 | df["InvoiceDate"].max()
39 | """
40 | Recency değerini hesaplamak için today_date adlı bir değişken tanımladık.
41 | Bu değişkenin verideki son tarihten 2 gün fazla yaptık. Bunu yapma amacımız veri setindeki
42 | son tarihte alışveriş yapanların Recency değerinin 0 olmasını engellemekti.
43 | """
44 | today_date = dt.datetime(2011, 12, 11)
45 | 
46 | # gruplama ile rfm değerlerini elde ettik
47 | rfm = df.groupby('Customer ID').agg({'InvoiceDate': lambda date: (today_date - date.max()).days,
48 |                                      'Invoice': lambda num: len(num),
49 |                                      'TotalPrice': lambda TotalPrice: TotalPrice.sum()})
50 | 
51 | rfm.columns = ['Recency', 'Frequency', 'Monetary']
52 | 
53 | # satın alma olduğu halde ücret gözükmeyen problemli verileri kaldırdık.
54 | rfm = rfm[(rfm["Monetary"]) > 0 & (rfm["Frequency"] > 0)]
55 | 
56 | """
57 | Recency değerini segmentlere ayırdık. 
58 | Recency değerinin yüksek olması müşterinin bizden uzaklaşması anlamına geliyor.
59 | Bu karışıklığı önlemek adına labellerini azalan şekilde yaptık
60 | """
61 | rfm["RecencyScore"] = pd.qcut(rfm["Recency"], 5, labels=[5, 4, 3, 2, 1])
62 | rfm["FrequencyScore"] = pd.qcut(rfm["Frequency"], 5, labels=[1, 2, 3, 4, 5])
63 | rfm["MonetaryScore"] = pd.qcut(rfm["Monetary"], 5, labels=[1, 2, 3, 4, 5])
64 | 
65 | # rfm değerini tek noktada görmek adına rfm_score adlı değişken tanımladık
66 | rfm["RFM_SCORE"] = (rfm['RecencyScore'].astype(str) +
67 |                     rfm['FrequencyScore'].astype(str) +
68 |                     rfm['MonetaryScore'].astype(str))
69 | 
70 | seg_map = {
71 |     r'[1-2][1-2]': 'Hibernating',
72 |     r'[1-2][3-4]': 'At_Risk',
73 |     r'[1-2]5': 'Cant_Loose',
74 |     r'3[1-2]': 'About_to_Sleep',
75 |     r'33': 'Need_Attention',
76 |     r'[3-4][4-5]': 'Loyal_Customers',
77 |     r'41': 'Promising',
78 |     r'51': 'New_Customers',
79 |     r'[4-5][2-3]': 'Potential_Loyalists',
80 |     r'5[4-5]': 'Champions'
81 | }
82 | # regex kullanarak rfm değerlerine karşılıkları olan segmentleri verdik
83 | rfm["Segment"] = (rfm['RecencyScore'].astype(str) + rfm['FrequencyScore'].astype(str))
84 | rfm["Segment"] = rfm["Segment"].replace(seg_map, regex=True)
85 | 
86 | # rfm değerlerini segmentlere göre gruplayıp değerlerinin ortalamasını ve sayısını aldık.
87 | rfm[["Segment", "Recency", "Frequency", "Monetary"]].groupby("Segment").agg(["mean", "count"])
88 | 
89 | # Loyal_Customers segmentindeki kişilerin değerlerini alıp csv dosyası olarak export ettik.
90 | rfm[rfm["Segment"] == "Loyal_Customers"].index
91 | 
92 | new_df = pd.DataFrame()
93 | new_df["Loyal_Customers"] = rfm[rfm["Segment"] == "Loyal_Customers"].index
94 | new_df.to_csv("Loyal_Customers.csv")
95 | 
96 | 


--------------------------------------------------------------------------------