Pandas. Metoda df.qcut(). Kwintyle klientów według łącznego przychodu RFM.

Na czym to polega w sklepie

Metoda df.qcut dzieli wartości na przedziały o zbliżonej liczbie obserwacji (kwantyle), w przeciwieństwie do cut z ustalonymi granicami. Standard w analizie RFM i segmentacji LTV gdy chcesz równoliczne grupy klientów.

Przykład ze sklepu internetowego

Dla analizy retention dzielisz klientów na 5 kwintyli według sumy przychodu w ostatnich 12 miesiącach:

import pandas as pd

orders = pd.read_csv("orders_12m.csv")
ltv = orders.groupby("customer_id")["revenue"].sum().reset_index()

ltv["ltv_quintile"] = pd.qcut(
    ltv["revenue"],
    q=5,
    labels=["Q1", "Q2", "Q3", "Q4", "Q5"],
)
# Każdy kwintyl ma ~20% klientów, różne progi revenue

Co zrobić po stronie biznesu

• Kwintyle częstotliwości zakupów w programie lojalnościowym.
• Segmentacja session_count przed personalizacją rekomendacji.
• Porównanie ROAS w górnym vs dolnym kwintylu LTV per kanał.

W skrócie

qcut gdy liczy się równa wielkość segmentu, cut gdy masz biznesowe progi. W RFM to pierwszy krok do tabeli segmentów pod CRM.