基于RFM模型和回归算法的客户生命周期价值(LTV)预测分析工具，支持电商和零售业务的客户价值预测。使用时需要客户交易数据、订单历史或消费记录，自动进行RFM特征工程、回归建模和价值预测。
基于RFM模型和回归算法的客户生命周期价值(LTV)预测分析工具，专为电商和零售业务设计。
pip install pandas numpy scikit-learn matplotlib seaborn openpyxl
from scripts.quick_analysis import quick_ltv_analysis
# 执行完整的LTV分析
results = quick_ltv_analysis(
file_path='data/orders.csv',
feature_period_months=3,
prediction_period_months=12,
output_dir='./ltv_results'
)
# 分析现有数据
python scripts/quick_analysis.py analyze data/orders.csv --output-dir ./results
# 预测新客户LTV
python scripts/quick_analysis.py predict ./models data/new_customers.csv
# 批量预测
python scripts/quick_analysis.py batch ./models data/rfm_features.csv
# 模型性能比较
python scripts/quick_analysis.py compare ./models
CSV文件需包含以下列（中文列名）：
| 列名 | 类型 | 说明 | 示例 | |------|------|------|------| | 订单号 | 数值 | 唯一订单标识 | 1001 | | 产品码 | 字符串 | 产品标识 | PROD001 | | 消费日期 | 日期时间 | 购买时间 | 2022-06-01 09:15 | | 产品说明 | 字符串 | 产品描述 | 绿联usb分线器 | | 数量 | 数值 | 购买数量 | 2 | | 单价 | 数值 | 产品单价 | 25.50 | | 用户码 | 字符串 | 客户唯一标识 | CUST001 | | 城市 | 字符串 | 客户所在城市 | 北京 |
订单号,产品码,消费日期,产品说明,数量,单价,用户码,城市
1001,PROD001,2022-06-01 09:15,绿联usb分线器,2,25.50,CUST001,北京
1002,PROD002,2022-06-01 10:30,加大男装T恤,1,89.00,CUST002,上海
# 运行完整示例
python examples/ecommerce_ltv_analysis.py
这将展示：
# 运行快速预测示例
python examples/quick_ltv_prediction.py
这将演示：
# 运行测试验证
python examples/test_validation.py
这将执行：
包含每个客户的RFM特征值和基础统计信息：
用户码,R值,F值,M值,年度LTV,客户价值分层,城市
CUST001,15,5,1250.50,5002.00,白金客户,北京
CUST002,30,3,890.00,3560.00,黄金客户,上海
完整技术文档请查看 SKILL.md
性能基准: 基于实测数据，随机森林模型R²达到0.5899，相比线性回归提升23.4%
Category:business