电商数据分析-Pandas

四、参照RFM模型，对用户进行分类找出有价值的用户

RFM模型是衡量客户价值和客户创利能力的重要工具。该模型通过客户的**最近交易行为（Recency）、交易频率（Frequency）以及交易金额（Monetary）**三项指标来描述该客户的价值状况。一般来说，会将这三项指标分成几个区间进行评分，通过计算评分找到有价值的用户，并对用户进行分类。
最近一次消费(Recency)：是指最近一次消费距离上一次消费之间的时间长短。它反映了客户对产品的态度以及对品牌价值的信任度，它关乎消费者的存留状况。

消费频率(Frequency)：是指某个特定时间内消费的次数。它直接反映了客户的忠诚度，消费频率越高，忠诚度就越高；忠诚度越高的客户数量越多，公司的竞争优势越强，市场份额越大。

消费金额(Monetary)：是指一定时间内消费某产品金额。它反映的是客户的价值，价值越高，给公司创造的利益就更大。

遗憾的是数据源中没有金额，所以这里仅针对R和F进行分析二维分析，标准如下

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

columns = ['user_id','item_id','item_cat','beh_type','time_stamp']
df = pd.read_csv('UserBehavior.csv',names = columns,sep=',')

#数据清洗
df['time_stamp'] = pd.to_datetime(df['time_stamp'], unit='s')  #把时间戳转为日期
df['date'] = df.time_stamp.values.astype('datetime64[D]') #日期
df=df[df['beh_type'].str.contains("buy")] #查找包含关键字buy

#数据透析
rfm = df.pivot_table(index='user_id',values=['beh_type','date'],
                     aggfunc={'beh_type':'count','date':'max'}) 
#注意这里消费行为是字符串，所以用count计次，而不是sum求和

rfm['R']=(rfm.date.max() - rfm.date) / np.timedelta64(1,'D')
rfm.rename(columns = {'beh_type':'F'},inplace=True)

#利用函数rfm_func生成标签
def rfm_func(x):
    level_r = x.apply(lambda x:'1' if x<=4 else '0') #距今一次消费
    level_f = x.apply(lambda x:'1' if x>=36 else '0') #频率
    label = level_r.R + level_f.F
    d = {'11':'重要价值客户','10':'重要保持客户','00':'一般价值客户','01':'重要发展客户'}
    result = d[label]
    return result

rfm['label'] = rfm[['R','F']].apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)

然后我们把上面的结果可视化呈现，重要价值客户用红色表示，其他用绿色表示

rfm.loc[rfm.label == '重要价值客户','color'] = 'r'
rfm.loc[~(rfm.label == '重要价值客户'),'color'] = 'g'
rfm.plot.scatter('F','R',c=rfm.color)

统计不同label的用户数量：print(rfm.groupby('label').count())

从上面结果可以看到不同的人群数量，注意这里没有重要发展客户；

1. 对于重要价值用户，他们是最优质的用户，需要重点关注并保持， 应该提高满意度，增加留存；
2. 对于重要保持用户，他们最近有购买，但购买频率不高，可以通过活动等提高其购买频率；
3. 对于重要发展用户，他们虽然最近没有购买，但以往购买频率高，可以做触达，以防止流失；
4. 对于一般价值用户，他们最近没有购买，以往购买频率也不高，特别容易流失，所以应该赠送优惠券或推送活动信息，唤醒购买意愿。

五、结论汇总

1. 12/2访问量激增，推测可能有营销活动
2. 从时间段来看，一天中21-22时访问达到最高峰，建议在这个时间点推广
3. 短短9天内复购率达到66%，推测可能有营销活动，或者是店铺引流商品，利润不高，应该结合价格来看（但是这里缺少金额数据）
4. 用户ID为107932的用户购买了72次在9天之内，建议建立VIP客户资料，定期维护VIP用户群体，并量身定做推出套餐（当然，也要结合金额看，可能都是低利润，要重新分析）
5. 整个购买过程中，实际购买转化率只有2%，浏览量很大，说明商品美工页面不错，可以从产品本身质量，用户反馈，竞争对手营销等提出逻辑树分析法，并逐一通过不同的数据分析模型来分析
6. 从浏览到加购物车到成交，转化率30%，建议和历史同期对比，和行业对比，否则转化率单独出现不能说明什么
7. 从浏览到收藏到成交，转化率20%，建议和历史同期对比，和行业对比，否则转化率单独出现不能说明什么
8. 上述两个过程比较，加收藏之后购买率较低，可能和页面设计+用户习惯有关，因为购物车可以直接结账，收藏可能放一段时间就忘记了，而且购物车是一个主页面，点击进去就是结账界面，而收藏夹是一个小图标，点击进去才能找到商品，再结账，不过收藏夹的意义本就是收藏，购物车本来就是要结账购买，职责功能不同
9. 最后通过RFM模型对用户进行分类统计，可以进行精准营销，推送不同的优惠活动，增加成交量