# Practice RMF Model by R

## introduction

This article(http://www.idatacamp.com/1196.html/) reminds me that when I work in tutorABC 5 years ago, I also used RMF model to analyze clients in order to choose a good customer for good quality. Let me practice again and explain how each function do.

- Recency — How recently did the customer purchase?

- Frequency — How often do they purchase?

- Monetary Value — How much do they spend?

## Steps:

1. creating a customer’s order record, including “order id(id)”, “spending” and “date” as a data frame
2. Calculating that how recently did the customer purchase
3. get R M F value(by customer)
4. merging R,M,F to create a new data frame
5. Creating R,M,F levels and giving each values a weight to Calculate RMF score

## Coding

### 1. creating a customer’s order record

因為沒有真實的訂單資料，所以自己創建raw_data，假設有5個人購買20次，消費金額為常態分佈，消費日期為均勻分佈，**另外為了符合訂單數據的記錄方式，消費日期用sorb()進行排序**

```R
sales<-data.frame(
id=sample(1:5,replace=T,size=20),spend=abs(round(rnorm(n=20,mean=500,sd=300))),
date=as.Date(“2017/1/1”)+300*sort(runif(20))
)
##5個人(1:5)重複抽取20次（當作為20個購買紀錄)
## — 也可以設定2個or 3個data_frame，在用cbind合起來
## — 可以之後再取命，用函數names(),for exampel :names(sales)=c(“id”,”spend)
## — round()＋abs()保證消費金額為正整數
## — sorb進行排序，讓消費日期是遞增的
## — as.Date的Ｄ一定要大寫，另外用as.Data()讓Ｒ知道這不是本文而是日期
```


###### Note: 排序相關函數sorb,rank,order參考:https://blog.csdn.net/sinat_26917383/article/details/51180556

###2.增加一欄為消費日距今天數

從創建的raw_data中，可以計算每一個顧客的總消費金額(M)，總消費次數(F)，但無法得知最近一次消費距今天數(R)，所以先處理一欄數據為 — **消費距今天數**，即現在的日期與消費日期有多少天

```R
date_gap<-round(as.numeric(difftime(Sys.Date(),sales[,3],day)))
#Sys.Date()是取現在日期，difftime()計算時間差
#我們想要的difftime是一個數字，所以要用sa.number(),另外值會計算到小數點，想要取成整數值（所以用round)

#把這一欄跟raw_data合併在一起
sales<-cbind(sales,date_gap)
```


###### Note：difftime參考:https://blog.csdn.net/xiangyong58/article/details/50458532

###### Note：如果difftime沒有寫as.numeric或round的狀況


### 3.以customer(id) 為分類進行加總求R,M,F value

總消費金額(M)，總消費次數(F)，最近一次消費距今天數(R)，SQL中group by的概念，在Ｒ就是用aggregate()

```r
salesM<-aggregate(sales[,2], by=list(sales$id),FUN=sum) #總消費
salesF<-aggregate(sales[,2], by=list(sales$id),FUN=length) #消費次數(就是長度length)
salesR<-aggregate(sales[,4], by=list(sales$id),FUN=max) #消費日距離今天最近的天數
#記得by=list() →by每一個id所以是一個list

names(salesM)<-c(“id”,”M”)
names(salesF)<-c(“id”,”F”)
names(salesR)<-c(“id”,”R”)
#給元素取名
```

######


###### Note：aggregate參考:https://www.cnblogs.com/cloudtj/articles/5528903.html

### 4.將它們組合成一個data_frame

由上圖知道salesM,salesF,salesR 都以id為共同的欄位，這種狀況的合併用merge(而不是cbind)

```r
salesRMF<-merge(salesM,merge(salesF,salesR))
```


###### 两个数据框类型的数据对象在进行整合的时候经常会用到merge函数，參考： <http://rstudio-pubs-static.s3.amazonaws.com/13602_96265a9b3bac4cb1b214340770aa18a1.html>and https://joe11051105.gitbooks.io/r_basic/content/arrange_data/merge_and_subsetting.html

### Creating RMF Model

```R
salesRMF$rank_r<-cut(salesRMF$R,5,label=F)#labels=F:返回在第幾個區間，否則會顯示具體的區間
salesRMF$rank_m<-cut(salesRMF$M,5,label=F)
salesRMF$rank_f<-cut(salesRMF$F,5,label=F)
salesRMF$rank_RMF<-0.5*(salesRMF$rank_r)+0.2*(salesRMF$rank_m)+0.3*(salesRMF$rank_f)

#劃分五等分法，用cut(vector,cuttime,labels=F)
```

###### Note: cut參考:<https://blog.csdn.net/jianjewl/article/details/64905672>