前言
营销业务中比较重要的环节就是用户分群，其目的是做针对性、个性化的营销，而不是对每个用户都采用同样的营销。那么如何对用户进行分群就是一门值得研究的学问。
本项目实现经典的RFM用户分群模型，并用Kmeans对RFM特征进行聚类，作为探索个性化营销的初步尝试。
RFM模型
RFM模型是经典的用户分群模型，从3个维度对用户进行分层。
R: Recency, 表示用户最近一次购买的时间
F: Frequency, 表示用户过去一段时间的购买次数
M: Monetary, 表示用户过去一段时间内所花费的总金额
项目思路
步骤一：数据预处理
步骤二：特征提取
得到用户的R、F、M维度特征。
步骤三：用户分群
法一：对RFM设置阈值对用户分群
对R、F、M三个维度的特征各自按照一定的阈值进行分组，分组有一定的原则。具体的阈值设置可以按照均值来分，也可以按照分位数，众数等作为划分的阈值。选择阈值之前可以先通过可视化探索用户各维度特征的分布特征。
分完组之后可以将每个组映射到一个类别，标明用户的“等级”或“价值”。通常认为：对于R而言，R越小用户价值越大；对于F而言，F越大用户价值越大；对于M而言，M越大用户价值越大。
将每个维度的等级进行综合可以对用户有一个综合评价，综合的方式有很多，最简单的可以是三个维度的加和。
法二：基于聚类的用户分群
前面基于阈值的分群方法虽然简单容易操作，但是也过于一刀切，且对经验依赖较大。这里考虑对用户按照等级特征进行聚类实现用户分群。但该方法的缺点是对于每一个类簇需要人为地去解释，且如何确定类簇的个数也是一个问题。
资源小结
用户分群还可以基于很多特征进行，如活跃度、内容贡献、注册时间等.
