大数据分析案例-基于RFM模型对电商客户价值分析（聚类）

目录

1.项目背景

2.项目简介

2.1分析目标

2.2数据说明

2.3技术工具 

3.实验步骤

3.1理解数据

3.2数据预处理

3.2.1缺失值处理

3.2.2重复值处理 

3.2.3异常值处理

3.2.4数据类型转换 

 3.3数据可视化

3.3.1每年销售额的增长率

3.3.2各个地区分店的销售额

3.3.3销售淡旺季分析 

3.4构建RFM模型

3.5聚类分群 

4.总结与建议

5.实验心得

---

1.项目背景

        随着电商的不断发展，网上购物变得越来越流行。更多电商平台崛起，对于电商卖家来说增加的不只是人们越来越高的需求，还要面对更多强大的竞争对手。面对这些挑战，就需要能够及时发现店铺经营中的问题，并且能够有效解决这些实际的问题，从而提升自身的竞争力。

        根据已有数据对店铺整体运营情况进行分析，了解运营状况，对未来进行预测，已经成为电商运营必不可少的技能。

2.项目简介

2.1分析目标

对一家全球超市4年（2011～2014年）的零售数据进行数据分析，分析目标如下：

①分析每年销售额增长率。

②各个地区分店的销售额。

③销售淡旺季。

④新老客户数。

⑤利用RFM模型标记用户价值。

2.2数据说明

数据来源于数据科学竞赛平台Kaggle，总共51290条数据，24个字段。详情见下超市数据属性表。

2.3技术工具 

 代码编辑器为jupyter notebook,环境为python3.9。第三方库涉及到pandas、numpy、matploylib、sklearn等。

3.实验步骤

3.1理解数据

首先需要导入数据

 

 查看数据大小

原始数据有51240行，24列。

查看数据基本信息

 从结果中我们可以看出每一列特征的缺失值情况和数据类型。

3.2数据预处理

3.2.1缺失值处理

首先统计一下每列数据的缺失值情况。

从结果中我们可以看到邮编这一列数据缺失的较多，所有我们应该直接删除这一列没用的特征。而其他的特征都有较少的特征，这里因为原始数据足够大，所有直接删除这些缺失值没啥影响。

3.2.2重复值处理 

首先先检测一下数据集是否存在重复值。

从结果看出原数据集不存在重复值，故不需要进行处理。

3.2.3异常值处理

 先通过可视化检查数据是否存在异常值。 

从图中看出除了Sales这一列分布较为异常，其他均正常。但是Sales这一列代表销售额，所有那些异常值是高消费群体，是重要的数据，不能删除。

3.2.4数据类型转换 

这里我们需要将订单日期的数据类型转换为标准日期类型，然后提取出年、月、季度等数据，有利于后面的数据探索。

 3.3数据可视化

3.3.1每年销售额的增长率

销售增长率是企业本年销售收入增长额同上年销售收入总额之比。

本年销售增长额为本年销售收入减去上年销售收入的差额，它是衡量企业经营状况和市场占有能力、预测企业经营业务拓展趋势的重要指标，也是企业扩张增量资本和存量资本的重要前提，该指标越大，表明其增长速度越快，企业市场前景越好。同样，也可以根据销售额的平均增长率，对下一年的销售额进行预测。

将销售额和增长率绘制在一个图中，使用twinx( )方法共享了x轴，并且建立了两个y轴，左侧的y轴代表的是销售额，右侧的y轴代表是对应的销售额增长率。

初步分析：结合销售额与增长率2011～2014年该超市的销售额在稳步上升，说明企业市场占有能力在不断提高，2012～2014年增长率在增长后趋于平稳，说明企业经营在逐步稳定。同样根据销售和增长率，可以初步制定下一年度的销售额指标是530万元左右，当然具体销售额指标的制定还要结合公司的整体战略规划。

3.3.2各个地区分店的销售额

了解了该超市的整体销售额情况之后，再对不同地区分店的销售额占比情况进行分析，以便对不同地区分配下一年度的销售额指标，和对不同地区分店采取不同的营销策略。

从占比图中可以看出APAC地区销售额占比最大，为28.4%，而Canada地区的销售额占比最少，只有0.5%，说明市场几乎没有打开，可以根据公司的总体战略部署进行取舍，从而根据销售额占比分配下一年的销售额指标。接下来，为了能更清晰地了解各地区店铺的经营状况，可以再对各地区每一年的销售额进行分析。

从图可以看出，各个地区2011～2014年的销售总额均是增长的趋势，APAC地区和EU地区的增长速度比较快，可以看出市场占有能力也在不断增加，企业市场前景比较好，下一年可以适当加大运营成本，其他地区可以根据自身地区消费特点，参考上面两个地区的运营模式。

根据不同类型产品在不同地区的销售额占比，可以适当地改善经营策略。

所有产品按照三个大的类型进行了区分，分别是Furniture（家具）、Technology（电子产品）和Office Supplies（办公用品）。通过上图大致可以看出，在各大地区销售额都比较高的是电子产品，可以根据企业的整体战略部署适当加大对各地区该品类的投入，以便扩大优势。

3.3.3销售淡旺季分析 

        根据超市的整体销售额情况和不同类型产品在不同地区的销售情况，再对每年每月的销售额进行分析，根据不同月份的销售情况，找出重点销售月份，从而制定经营策略与业绩月度及季度指标拆分。为了方便观察数据，需要将数据根据年和月进行分组，并计算出每年每月的销售总额，再将其制作成年、月、销售额的数据透视表，最后通过折线图进行展示。

        通过图基本可以看出，该超市2011～2014年每一年的销售额同比上一年都是上升趋势，而且很容易发现该超市的旺季是下半年，另外在上半年的销售额中发现6月份的销售额也是比较高的，所以可以在6月份开始加大一些运营成本，进而更大一步提高销售额，但是需要注意是下半年的7月份和10月份销售额会有明显的下降，可以针对这些下降的月份多举行一些营销活动。

3.4构建RFM模型

        目前几乎所有企业业务都是以客户的需求为主导，都希望服务好客户，促进销售转化，最好能让客户对产品和品牌产生黏性，长期购买。于是市场和运营人员都会绞尽脑汁的做活动、上新品、蹭热点、做营销，不断地拓展客户和回访以维系客户感情。但是，这些工作除了少数运气好的之外，大部分效果都不是很好，真正有价值的客户没有几个。不同阶段、不同类型的客户需求点不同，有的客户图便宜，有的客户看新品，有的客户重服务，粗狂式的营销运营方法最后的结果往往都是事与愿违，企业的资源利润无法发挥其最大效用去创造最大化的利润。

        那么如何进行客户价值分析，甄选出有价值的客户，让企业精力集中在这些客户上，有效地提升企业竞争力使企业获得更大的发展呢？解决的方法很简单，就是客户精细化运营。通过各类运营手段提高不同类型的客户在产品中的活跃度、留存率和付费率。而如何将客户从一个整体拆分成特征明显的群体决定了运营的成败。在客户价值领域，最具有影响力并得到实证验证的理论与模型有： 客户终生价值理论、客户价值金字塔模型、策论评估矩阵分析法和RFM客户价值分析模型等。这里介绍一个最经典的客户分群模型，即RFM模型。

RFM的含义如下：

1）R（Recency）：客户最近一次交易时间的间隔。R值越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。

2）F（Frequency）：值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。

3）M（Monetary）：客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。

RFM模型是衡量客户价值和用户创利能力的经典工具，依托于客户最近一次购买时间、消费频次及消费金额。在应用RFM模型时，要有客户最基础的交易数据，至少包含客户ID、交易金额和交易时间3个字段。 

这里我选取了消费者ID、订单时间、销售额做为构建RFM模型的指标数据。

接着需要对数据继续标准化处理，并对列进行重命名。 

 

3.5聚类分群 

这里我们使用sklearn中的KMeans算法进行聚类分群，算法原理可以参考机器学习之KMeans聚类算法原理（附案例实战）

根据R、F、M这3个维度，可以将客户分为以下8种类型，如图所示。 

        在这个表中将每个维度都分为高和低两种情况，进而将客户群体划分为8种类型，而这8种类型又可以划分成A、B、C3个等级。例如，某个客户最近一次消费时间与分析时间的间隔比较大，但是该客户在一段时间内的消费频次和累计消费总金额都很高，这就说明这个客户就是RFM模型中的重要保持客户，为了避免该客户的流失，企业的运营人员就要专门针对这种类型的客户设计特定的运营策略，这也就是RFM模型的核心价值。

所以这里聚类的时候，我们需要将数据聚成8类。 

接着为原始每一个消费者标记聚类标签。并进行可视化，。 

 

 4.总结与建议

        无论在什么环境中，总会有二八法则的存在。例如，20%的客户为公司提供了80%的利润。前面RMF模型分类出了8种不同性质的客户，下面根据客户对平台的贡献度做了排序。

一般挽留客户→一般发展客户→一般保持客户→一般价值客户→重要挽留客户→重要发展客户→重要保持客户→重要价值客户

        一个客户流入电商平台，客户行为转化大致和上面的顺序一样，从一开始注册到频繁浏览，再到习惯性在平台购买小件低额商品，客户通过多次消费行为对平台累积了信任后会开始购置大件大额商品，最终成为平台的重要价值客户。相反，如果平台哪里做得让客户体验差，重要价值客户也有可能降低购买量甚至流失。所以，无论对客户做出什么样的营销策略，目的都是加大客户不断地从一般挽留客户向重要价值客户转化，减小重要价值客户向一般挽留客户转化。从而实现平台客户的积累。那么处于不同阶段的客户，应该根据客户的阶段特性来制定不同的策略。下面分析一下每组客户的特性。

一般挽留客户：这类客户RFM3个值都低，说明已经是流失的客户。针对这批客户召回的成本一般会比较高，因为客户长时间没在平台有任何行为，有可能app都已经卸载。所以一般针对这种客户只会在特定的大型活动才会采取全面的短信、广告和推送召回。比如在双十一、黑色星期五等大型购物狂欢节；或者说公司到了一个新阶段，大量资金投入客户新增，如“瓜分5个亿”“无上限砍价”等活动。

一般发展客户：这类客户只是有近期购买行为但是购买商品利润低而且也不活跃。一般分两种类型，一种是刚注册的客户，另一种就是由于体验感一般接近流失的客户。针对刚注册的用户一般会采取“新人大礼包”等优惠，一般“新人大礼包”会尽量多的覆盖平台上的不同商品品类，提高新客户了解平台产品的动力。而针对接近流失的客户应该从客服、物流等多角度追溯客户过去不满的原因，对平台进一步完善

一般保持客户：这类客户只是频繁浏览，但是很久没有成交了。针对这类客户，一般会结合客户最近浏览的商品进行相关优惠推送，促进客户的成交行为。

一般价值客户：这类客户已经在平台上养成了自己的购买习惯，已经处于多次频繁购买的阶段，但是购买的商品价格都比较低，产生的利润也低。对这类客户应该进一步分析，是属于购买力低还是大额商品有其他习惯成交的平台。针对前者一般不需要采取特别的措施，而针对后者应该时刻注意用户的浏览商品动向，如果客户浏览远超过平时客单价的商品应该及时给予优惠政策。

重要挽留客户：这类客户消费金额较高，消费频次偏低，而且已经很久没有消费行为了。这种客户曾经算是平台的忠实客户，而且能为平台提供比较大的利润。但是很有可能马上就要流失了，所以应该进行重点挽留，如给客户更多关怀，客服主动沟通，建立平台形象，针对客户有什么不满意的地方应当及时解决，并给予优惠补偿。

重要发展客户：这类客户最近有消费，且整体消费金额高，但是购买不频繁。这种客户是有购买力的客户，应当重点维护，提升客户在消费中的体验感，比如加送“运费险”等附加增值服务。

重要保持客户：最近一次消费时间较远，消费金额和消费频次比较高。这种客户一般有网购习惯，但是最近却很久没有来消费，说明很可能已经流向其他的平台。所以非常有潜力可挖，必须重点发展。要关注竞品的活动，做出合理的方案。

重要价值客户：这类客户RFM 3个值都很高，是平台重点维护的客户，平台应保证服务质量，保持客户在平台每次购物体验。        

5.实验心得

        通过这次Python项目实战，我学到了许多新的知识，这是一个让我把书本上的理论知识运用于实践中的好机会。原先，学的时候感叹学的资料太难懂，此刻想来，有些其实并不难，关键在于理解。

        在这次实战中还锻炼了我其他方面的潜力，提高了我的综合素质。首先，它锻炼了我做项目的潜力，提高了独立思考问题、自我动手操作的潜力，在工作的过程中，复习了以前学习过的知识，并掌握了一些应用知识的技巧等

在此次实战中，我还学会了下面几点工作学习心态：

• 1）继续学习，不断提升理论涵养。在信息时代，学习是不断地汲取新信息，获得事业进步的动力。作为一名青年学子更就应把学习作为持续工作用心性的重要途径。走上工作岗位后，我会用心响应单位号召，结合工作实际，不断学习理论、业务知识和社会知识，用先进的理论武装头脑，用精良的业务知识提升潜力，以广博的社会知识拓展视野。
• 2）努力实践，自觉进行主角转化。只有将理论付诸于实践才能实现理论自身的价值，也只有将理论付诸于实践才能使理论得以检验。同样，一个人的价值也是透过实践活动来实现的，也只有透过实践才能锻炼人的品质，彰显人的意志。
• 3）提高工作用心性和主动性。实习，是开端也是结束。展此刻自我面前的是一片任自我驰骋的沃土，也分明感受到了沉甸甸的职责。在今后的工作和生活中，我将继续学习，深入实践，不断提升自我，努力创造业绩，继续创造更多的价值。

        这次Python实战不仅仅使我学到了知识，丰富了经验。也帮忙我缩小了实践和理论的差距。在未来的工作中我会把学到的理论知识和实践经验不断的应用到实际工作中，为实现理想而努力。