該數(shù)據(jù)來源于某網(wǎng)站的消費(fèi)記錄，現(xiàn)針對(duì)該數(shù)據(jù)對(duì)用戶的消費(fèi)趨勢及消費(fèi)行為進(jìn)行分析。
鏈接：https://pan.baidu.com/s/17I7JN579RZS6zvsJCWHOug 提取碼：ydqa

主要內(nèi)容：

1、導(dǎo)入第三方庫及數(shù)據(jù)、觀察數(shù)據(jù)、修改數(shù)據(jù)類型
2、用戶消費(fèi)的趨勢分析

• 每月的消費(fèi)總金額及其變化趨勢
• 每月的消費(fèi)次數(shù)及其變化趨勢
• 每月的消費(fèi)人數(shù)
• 每月用戶平均消費(fèi)金額的趨勢
• 每月用戶平均消費(fèi)次數(shù)的趨勢

3、用戶個(gè)體消費(fèi)分析

• 用戶消費(fèi)金額、消費(fèi)次數(shù)的描述統(tǒng)計(jì)
• 用戶消費(fèi)金額的分布圖
• 用戶消費(fèi)的商品數(shù)的分布圖
• 用戶消費(fèi)金額和商品數(shù)的散點(diǎn)圖

4、用戶消費(fèi)行為分析

• 用戶第一次消費(fèi)及最后一次消費(fèi)
• 用戶購買周期（按第一次和最后一次消費(fèi)）
  • 多少客戶僅消費(fèi)了一次
  • 用戶生命周期描述
  • 用戶生命周期分布
• 用戶分層
  • RFM
  • 新客戶、活躍客戶、不活躍客戶、回流客戶

5、復(fù)購率和回購率分析

1、導(dǎo)入第三方庫及數(shù)據(jù)、觀察數(shù)據(jù)、修改數(shù)據(jù)類型

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

columns=['user_id','order_dt','order_products','order_amount']
df=pd.read_table(r'C:\Users\f\Desktop\shujufenxi\CDNOW_master.txt',names=columns,sep='\s+')
df.head()

image.png

其中各個(gè)字段的含義如下：
?user_id：用戶id
?order_dt：每筆訂單生成的日期
?order_products：每筆訂單中所包含的商品數(shù)
?order_amount：每筆訂單的消費(fèi)總額

df.describe()

image.png

• 其中用戶數(shù)有69659，平均每筆訂單中有2.4個(gè)產(chǎn)品，最少的訂單中有1個(gè)產(chǎn)品，最多的有99個(gè)產(chǎn)品，存在一定的極值干擾； 其中每筆訂單的平均消費(fèi)為35元左右，而最小的消費(fèi)額為0，最大的則為1286，也存在一定的極值干擾。

df.info()

各字段的數(shù)據(jù)類型.png

• 從表格的各項(xiàng)屬性信息中可以看到，訂單日期的格式為數(shù)字模式，需對(duì)其進(jìn)行修正

df['order_dt']=pd.to_datetime(df.order_dt,format='%Y%m%d')
df['month']=df.order_dt.values.astype('datetime64[M]')
df.head()

image.png

• 此處將各個(gè)月份的不同日期所生成的訂單的日期統(tǒng)一歸為同一個(gè)月份，以便后續(xù)進(jìn)行分析使用

df.info()

image.png

• 現(xiàn)已將訂單的日期類型修正為正確的數(shù)據(jù)類型

2、用戶消費(fèi)的趨勢分析

每月的消費(fèi)總金額及其變化趨勢

思路：設(shè)置圖標(biāo)格式>>對(duì)月份進(jìn)行分組>>對(duì)每個(gè)月的消費(fèi)金額求和>>制圖

plt.style.use('ggplot')
df.groupby('month')['order_amount'].sum().plot()

image.png

• 由消費(fèi)總金額的變化趨勢圖可以看出，97年前三個(gè)月份消費(fèi)金額逐漸上升并達(dá)到高峰，但三月份后出現(xiàn)斷崖式下跌，并于隨后的連續(xù)的月份中呈現(xiàn)出逐漸下降的趨勢?？梢娫谌路菘赡艹霈F(xiàn)營銷方面的危機(jī)或者與產(chǎn)品的淡旺季的交替有所相關(guān)。

每月的消費(fèi)次數(shù)及其變化趨勢

思路：對(duì)月份進(jìn)行分組>>求得每個(gè)月進(jìn)行消費(fèi)的用戶總數(shù)>>制圖

df.groupby('month').user_id.count().plot()

image.png

• 通過對(duì)每月的消費(fèi)次數(shù)的變化趨勢的體現(xiàn)來看，也表現(xiàn)出前三個(gè)月逐漸攀升至頂峰最后出現(xiàn)斷崖式下跌并持續(xù)緩慢下降的趨勢。說明客戶對(duì)于該產(chǎn)品的消費(fèi)意愿在下降，亦有可能是該產(chǎn)品的曝光率突然下跌，導(dǎo)致客戶很難再更好的了解到產(chǎn)品信息，從而出現(xiàn)消費(fèi)次數(shù)下跌的情況等等。

每月的消費(fèi)人數(shù)

思路：對(duì)月份進(jìn)行分組>>運(yùn)用匿名函數(shù)對(duì)用戶id去重并計(jì)算個(gè)數(shù)>>制圖

df.groupby('month').user_id.apply(lambda x:len(x.drop_duplicates())).plot.pie(autopct='%.2f%%')

image.png

• 由餅圖可知，前三個(gè)月的消費(fèi)人數(shù)分別占到了14.17%、17.39%、17.20%，其前三個(gè)月的消費(fèi)人數(shù)總合將近等于后續(xù)好幾個(gè)月的消費(fèi)人數(shù)的綜合，占比近百分之50，可見后續(xù)可能是對(duì)顧客的營銷力度或吸引力度做的不到位等等。

每月用戶平均消費(fèi)金額的趨勢

• 制數(shù)據(jù)透視表

df.pivot_table(index='month',
              values=['order_products','order_amount','user_id'],
              aggfunc={'order_products':'sum',
                      'order_amount':'sum',
                      'user_id':'count'}).head()

image.png

思路：對(duì)‘月份’及‘用戶id’進(jìn)行分組求和>>去掉表中的索引打平>>再按月份進(jìn)行分組>>對(duì)每月的消費(fèi)金額求平均>>制圖

df.groupby(['month','user_id']).sum().reset_index().groupby('month')['order_amount'].mean().plot()

image.png

每月用戶平均消費(fèi)次數(shù)的趨勢

思路：對(duì)‘月份’和‘用戶id’進(jìn)行分組計(jì)數(shù)>>去除索引打平并將其命名為‘user_c’的表>>在‘user_c’表中添加一列‘count’，讓這一列的值等于‘order_products’列的值>>在‘user_c’表中對(duì)月份進(jìn)行分組并對(duì)‘count’求平均值>>制圖

user_c=df.groupby(['month','user_id']).count().reset_index()
user_c['count']=user_c['order_products']
user_c.loc[:,['month','user_id','count']].groupby('month')['count'].mean().plot()

image.png

• 綜合用戶每月消費(fèi)金額的數(shù)據(jù)透視表、平均消費(fèi)金額、平均消費(fèi)次數(shù)的圖標(biāo)信息可知。前三個(gè)月的用戶流量較高，消費(fèi)的總商品數(shù)也較多，自然總體的消費(fèi)金額也是相對(duì)較高，但平均到這么大的用戶流量上的時(shí)候，平均消費(fèi)金額及平均消費(fèi)次數(shù)自然也會(huì)相對(duì)較低，說不定這其中還包含有只消費(fèi)一次后續(xù)都不再消費(fèi)，而且消費(fèi)金額較低的用戶，這也將大大拉低平均值。但是從平均消費(fèi)金額及平均消費(fèi)次數(shù)的趨勢圖上可以看到，隨著前三個(gè)月的上漲趨勢后是區(qū)域穩(wěn)定的震蕩階段，結(jié)合數(shù)據(jù)透視表可以了解到，后續(xù)的月份的用戶流量及消費(fèi)總金額較穩(wěn)定，這其中可能存在忠實(shí)用戶的貢獻(xiàn)也免不了會(huì)有老客戶的流失的現(xiàn)象。因此，若每個(gè)月想爭取有更高的消費(fèi)金額，應(yīng)積極引流，增大用戶流量，加大營銷力度，促進(jìn)用戶多消費(fèi)。

3、用戶個(gè)體消費(fèi)分析

用戶消費(fèi)金額、消費(fèi)次數(shù)的描述統(tǒng)計(jì)

思路：對(duì)用戶id進(jìn)行分組求和

df.groupby('user_id').sum().describe()

image.png

• 由上述表格可知，所有訂單的商品總數(shù)是23570，而其中每個(gè)用戶平均消費(fèi)的商品數(shù)是7筆左右，有75%的用戶的購買的商品數(shù)小于等于7，然而所有用戶中購買到的商品數(shù)的最小值是1，最大值是1033，中位數(shù)3，因此可見會(huì)存在一定的極值干擾。
• 同上，每個(gè)用戶消費(fèi)金額的數(shù)據(jù)分析也呈現(xiàn)出如上的形式，也有可能存在一定的極值干擾。

用戶消費(fèi)金額的分布圖

思路：對(duì)用戶id進(jìn)行分組求和>>對(duì)‘order_amount’列中小于1100的值進(jìn)行制圖

df.groupby('user_id').sum().query('order_amount<1100').order_amount.plot.hist(bins=25)

image.png

用戶消費(fèi)的商品數(shù)的分布圖

思路：對(duì)用戶id進(jìn)行分組求和>>對(duì)‘order_products’列中小于60的值進(jìn)行制圖

df.groupby('user_id').sum().query('order_products < 60').order_products.plot.hist(bins=35)

image.png

用戶消費(fèi)金額和商品數(shù)的散點(diǎn)圖

思路：對(duì)用戶id進(jìn)行分組>>以‘order_amount’為x軸，以‘order_products’為y軸>>制圖

df.groupby('user_id').sum().plot.scatter(x='order_amount',y='order_products')

image.png

• 人為去除異常值

df.groupby('user_id').sum().query('order_amount <4000').plot.scatter(x='order_amount',y='order_products')

image.png

• 由‘用戶消費(fèi)金額的分布圖’及‘用戶消費(fèi)商品數(shù)的分布圖’可以看出，大部分用戶消費(fèi)的金額在范圍0-200之間，消費(fèi)的商品數(shù)在0-10之間，除個(gè)別大客戶的高消費(fèi)外，吸引、加大一般客戶的消費(fèi)意愿還是至關(guān)重要的，大客戶可以通過專項(xiàng)服務(wù)來維持。最后‘消費(fèi)金額與商品數(shù)的散點(diǎn)圖’中可以看出，去除個(gè)別異常值之后可知：消費(fèi)金額和商品數(shù)之間還是存在一定的正相關(guān)，同時(shí)大量的商品數(shù)及金額分布集中在一般用戶的這個(gè)范圍內(nèi)，因此最后商品的營銷，用戶的引流是促進(jìn)經(jīng)營、增加營收的重中之重。

4、用戶消費(fèi)行為分析

用戶第一次消費(fèi)及最后一次消費(fèi)

思路：以用戶id進(jìn)行分組>>求出每個(gè)用戶第一次消費(fèi)的時(shí)間>>制圖

df.groupby('user_id').order_dt.min().value_counts().plot()

image.png

思路：以用戶id進(jìn)行分組>>求出每個(gè)用戶最后一次消費(fèi)的時(shí)間>>制圖

df.groupby('user_id').max().order_dt.value_counts().plot()

image.png

• 由兩圖交叉對(duì)比分析可知：前三個(gè)月的用戶流量中，新增的首次消費(fèi)的用戶中有大量的用戶只消費(fèi)了一次，后續(xù)的月份中就沒有再消費(fèi)了，因此最后一次消費(fèi)的表中，前三個(gè)月的值比較高；第一次消費(fèi)的表中，后續(xù)幾個(gè)月雖然新增用戶有所增加但最后新增的用戶量也在逐漸減少，而最后一次消費(fèi)的表中，用戶量后續(xù)幾個(gè)月雖然不多，但最后也在逐漸增多，此消彼長中大體也可以看出：用戶在逐漸流失。

用戶購買周期

1)多少客戶僅消費(fèi)了一次
思路：對(duì)用戶id進(jìn)行分組>>分別求得用戶購買商品第一次和最后一次的消費(fèi)時(shí)間>>求出兩次時(shí)間都為同一天的用戶的總數(shù)

user_life=df.groupby('user_id').order_dt.agg(['min','max'])
(user_life.loc[:,'min']==user_life.loc[:,'max']).value_counts()

image.png

• 以上數(shù)據(jù)表明：僅消費(fèi)一次的用戶所占的比例占到了全部用戶的一半左右。
  2）用戶生命周期描述

(user_life['max']-user_life['min']).describe()

image.png

• 由以上數(shù)據(jù)表明：用戶平均生命周期為134天，而有50%的用戶生命周期為0天，中位數(shù)為0天，但是卻有75%用戶生命周期在294天及以下，最大的用戶生命周期為544天，可見這其中有大量的客戶是只在一天有消費(fèi)過，后期就沒有再消費(fèi)了，而平均天數(shù)是通過忠實(shí)客戶的生命周期來拉升的。
  3）用戶生命周期分布

((user_life['max']-user_life['min'])/np.timedelta64(1,'D')).hist(bins=20)

image.png

• 上表印證了生命周期描述的信息，只消費(fèi)一天的用戶占據(jù)著特別大的數(shù)量

#除去只消費(fèi)一天的用戶數(shù)
user_life['a0']=(user_life['max']-user_life['min'])/np.timedelta64(1,'D')
user_life.loc[user_life['a0']>0]['a0'].hist(bins=20)

image.png

用戶分層

1)RFM

rfm=df.pivot_table(index='user_id',
                  values=['order_products','order_amount','order_dt'],
                  aggfunc={'order_dt':'max',
                           'order_amount':'sum',
                           'order_products':'sum'})

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

def rfm_func(x):
    level1=x.apply(lambda x:'1' if x>= 0 else '0')
    lable=level1.R+level1.F+level1.M
    d={'111':'重要價(jià)值客戶',
       '011':'重要保持客戶',
       '101':'重要挽留客戶',
       '001':'重要發(fā)展客戶',
       '110':'一般價(jià)值客戶',
       '010':'一般保持客戶',
       '100':'一般挽留客戶',
       '000':'一般發(fā)展客戶'}
    result=d[lable]
    return result
rfm['lable']=rfm[['R','F','M']].apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)
rfm.head()

image.png

rfm.groupby('lable').sum()

image.png

• 由表中數(shù)據(jù)可以看出：‘重要保持客戶’的消費(fèi)金額和消費(fèi)產(chǎn)品數(shù)都是比較多，需要商家去重點(diǎn)維護(hù)；而‘一般挽留客戶’雖然消費(fèi)金額及消費(fèi)產(chǎn)品數(shù)都不是很突出，但是其消費(fèi)間隔時(shí)間較長，說明對(duì)產(chǎn)品依賴性、或者說是支持度較高；‘重要挽留客戶’雖然消費(fèi)的產(chǎn)品數(shù)不多，但卻貢獻(xiàn)了相對(duì)較多的消費(fèi)金額，對(duì)產(chǎn)品的依賴性也不低，可以對(duì)其進(jìn)行維護(hù)和發(fā)展。

rfm.reset_index().groupby('lable')['user_id'].count().plot.pie(autopct='%.2f%%')

image.png

• 由餅圖可知：‘一般挽留客戶’占到全部客戶數(shù)的過半的比例，加之對(duì)比RFM表可知，該客戶群對(duì)產(chǎn)品的支持度高，也貢獻(xiàn)了較大一部分的消費(fèi)金額，可針對(duì)其進(jìn)行適當(dāng)?shù)臓I銷，促進(jìn)其消費(fèi)；‘重要保持客戶’占到了全部顧客數(shù)的近五分之一，憑借該客戶群高消費(fèi)能力，為保障商店的大部分營收，也應(yīng)對(duì)其重點(diǎn)維護(hù)。

2)新客戶、活躍客戶、不活躍客戶、回流客戶

pivoted_counts=df.pivot_table(index='user_id',
                              columns='month',
                              values='order_dt',
                              aggfunc='count').fillna(0)

df_purchase=pivoted_counts.applymap(lambda x: 1 if x>0 else 0)

def active_status(data):
    status=[]
    for i in range(18):
        #若本月沒有消費(fèi)
        if data[i] ==0:
            if len(status) > 0:
                if status[i-1] == '未注冊(cè)':
                    status.append('未注冊(cè)')
                else:
                    status.append('不活躍')
            else:
                status.append('未注冊(cè)')
        #若本月有消費(fèi)
        else:
            if len(status) ==0:
                status.append('新客戶')
            else:
                if status[i-1] == '不活躍':
                    status.append('回流')
                elif status[i-1] == '未注冊(cè)':
                    status.append('新客戶')
                else:
                    status.append('活躍')
    data.iloc[0:]=status
    return data

purchase_stats=df_purchase.apply(active_status,axis=1)
purchase_stats.tail()

image.png

purchase_stats_ct=purchase_stats.replace('unreg',np.NaN).apply(lambda x:pd.value_counts(x))
purchase_stats_ct.T.fillna(0).head()

image.png

purchase_stats_ct.T.fillna(0).plot.area()

image.png

• 由該面積圖可知：前三個(gè)月的新客戶和回流客戶暴增的同時(shí)不活躍的用戶也在逐漸攀升，加之活躍用戶上升的較平緩，可見必將會(huì)有一大部分用戶是單次消費(fèi)的客戶；隨后，新用戶在三月份出現(xiàn)斷崖式下跌，同時(shí)活躍用戶和回流用戶也有所下降，但不活躍用戶卻趨于平穩(wěn)，這也必將導(dǎo)致銷量的下跌。

5、復(fù)購率和回購率分析

1）復(fù)購率

purchase_r=pivoted_counts.applymap(lambda x: 1 if x>1 else np.NaN if x==0 else 0)
(purchase_r.sum()/purchase_r.count()).plot(figsize=(10,4))

image.png

• 由圖可知：前三個(gè)月的復(fù)購率逐漸上升，并最終穩(wěn)定在20%~22%的范圍內(nèi)。

2）回購率

def purchase_back(data):
    status=[]
    for i in range(17):
        if data[i] == 1:
            if data[i+1] == 1:
                status.append(1)
            if data[i+1] == 0:
                status.append(0)
        else:
            status.append(np.NaN)
    status.append(np.NaN)
    data.iloc[0:]=status
    return data

purchase_b=df_purchase.apply(purchase_back,axis=1)
(purchase_b.sum()/purchase_b.count()).plot(figsize=(10,4))

image.png

• 由上圖可知：回購率在前兩個(gè)月上升平穩(wěn)，在三月份時(shí)出現(xiàn)大幅度的上升，最終在30%這一百分值的范圍出現(xiàn)較大幅度的震蕩。