Python数据分析与应用案例教程 第8章

第8章电商客户价值分析签到扫码下载文旌课堂APP扫码签到（2022.3.2515:00至2022.3.2515:10）签到方式教师通过“文旌课堂APP”生成签到二维码，并设置签到时间，学生通过“文旌课堂APP”扫描“签到二维码”进行签到。。电商客户价值分析本章导读近年来，无论是新兴电商还是传统商家都越来越认同“以客户为中心”的经营理念。该理念的关键是细分客户，从而针对不同价值客户群体制订不同的营销策略，实现精准营销，降低营销成本，提高销售业绩，使商家利润最大化。

第8章电商客户价值分析学习目标

第8章 练习使用Pandas处理和标准化数据等。 练习使用Matplotlib绘制饼状图和柱状图分析新老客户价值。 练习使用Scikit-learn的K-Means聚类算法聚类客户，并通过RFM模型分析客户价值。 能根据需求使用不同的方法进行客户价值分析，并根据分析结果制订营销策略。电商客户价值分析素质目标

第8章 树立信息安全意识，自觉维护自身和他人的信息安全。 践行“以人为本”的理念，尊重他人，顺应发展。Content第8章新老客户分析需求分析RFM模型分析8.1需求分析第8章电商客户价值分析客户价值分析是指对客户的消费特征和行为数据进行分析，并据此评估客户的价值。客户价值分析的结果可用于客户细分，商家可针对细分后不同价值客户的特点进行个性化营销，从而最大限度满足客户需求，促使交易产生的同时提高商家经济效益。此外，客户价值分析还有利于商家制订更为合理的市场渗透策略，从而赢得、扩大和保持高价值的客户群体，吸引和培养潜力较大的客户群体。常用的客户价值分析方法包括新老客户分析法和RFM模型分析法两种。本章的目标是根据某电商网站女装店铺两个月的销售数据（见下图），使用这两种方法对客户的价值进行分析，以便制订后续的营销策略。8.1需求分析8.1需求分析8.2新老客户分析第8章电商客户价值分析新老客户分析法是指根据购买次数这一指标将客户分为新客户和老客户两大客户群体，并在这两大客户群体中利用相同的指标（如人数、交易金额、客单价等）进行数据分析，帮助商家了解自家新老客户的价值，从而进行相应的资源配置和营销策略制订。8.2新老客户分析8.2.1新老客户分析法客单价是指每个客户平均购买商品的金额，因此也称平均交易金额。客单价的计算公式为：客单价=总交易金额/总客户人数。商家应根据新老客户的分析结果审视自身经营存在的不足，在巩固老客户数量的同时，及时采取措施将新客户转化为老客户，从而保持自身稳定快速增长。在女装销售数据中，将历史总订单数为1的客户看作新客户，而将历史总订单数大于1的客户看作老客户。此处，将历史总订单数中的“+”使用空字符替换，并将数值转换为整型，选取历史总订单数为1的数据赋给df_new，选取历史总订单数大于1的数据赋给df_old；然后创建新画布，以df_new和df_old的行标签个数列表为扇区数据、新客户和老客户列表为扇区标签、两位小数百分比为比例格式绘制饼状图，并设置图表标题。实现代码如下。8.2新老客户分析8.2.2新老客户价值分析1．新老客户人数占比分析importpandasaspdfrommatplotlibimportpyplotaspltdf=pd.read_excel('女装销售数据.xlsx')plt.rcParams['font.sans-serif']='SimHei'df['历史总订单数（单）']=df['历史总订单数（单）'].apply(lambdax:xiftype(x)!=strelsex.replace('+','')).astype('int')df_new=df[df['历史总订单数（单）']==1]df_old=df[df['历史总订单数（单）']>1]#新老客户人数占比分析plt.figure()8.2新老客户分析data=[df_new.index.size,df_old.index.size]plt.pie(data,labels=['新客户','老客户'],autopct='%.2f%%')plt.title('新老客户人数占比饼状图')plt.show()在历史总订单数中，客户的历史总订单数大于10单的统一使用“10+”表示。但“10+”并不是一个具体数值，此处将“10+”替换为“10”，将历史总订单数大于10单的客户统一按10单处理。8.2新老客户分析程序运行结果如右图所示。8.2新老客户分析此处，创建新画布，以df_new和df_old的总交易金额的和列表为扇区数据、新客户和老客户列表为扇区标签、两位小数百分比为比例格式绘制饼状图，并设置图表标题。实现代码如下。2．新老客户总交易金额占比分析plt.figure()data=[df_new['总交易金额（元）'].sum(),df_old['总交易金额（元）'].sum()]plt.pie(data,labels=['新客户','老客户'],autopct='%.2f%%')plt.title('新老客户总交易金额占比饼状图')plt.show()8.2新老客户分析程序运行结果如右图所示。8.2新老客户分析此处，以新客户和老客户列表为x轴数据、df_new和df_old的总交易金额除以人数的值列表为y轴数据、宽度为0.3绘制柱状图，并设置y轴和图表标题、每个数据的文本标签。实现代码如下。3．新老客户客单价分析x=['新客户','老客户']h1=df_new['总交易金额（元）'].sum()/df_new.index.sizeh2=df_old['总交易金额（元）'].sum()/df_old.index.sizeheight=[h1,h2]plt.bar(x,height,width=0.3)plt.ylabel('客单价/元')8.2新老客户分析plt.title('新老客户客单价柱状图')fora,binzip(x,height):plt.text(a,b,'%.1f'%b,ha='center')plt.show()程序运行结果如右图所示。8.2新老客户分析从以上分析可知，该店铺近两个月的全部客户中，新客户占比达到7成，但仅占3成的老客户贡献的总交易金额却超6成。此外，老客户的客单价远高于新客户，是新客户的近4倍。从这些数据中，可得出以下结论。该店铺的客户群体中，老客户的客户价值相对较高，是店铺保持稳定盈利的重要保障。因此，店铺应当将资源优先配置给这部分客户，如专属折扣、会员福利、回馈活动等，以进一步提高这一客户群体的忠诚度。此外，新客户群体的人数规模庞大，是极有可能转化为店铺的老客户、活跃客户乃至忠实客户的。因此，商家可对新客户进行回头客营销，如上新推荐、生日/节日祝福等，使更多的新客户转化为老客户。8.2新老客户分析8.3RFM模型分析第8章电商客户价值分析使用RFM模型分析客户价值主要包含两个部分：第一，根据3个特征值的数据，对客户进行聚类分群；第二，结合业务对每个客户群体进行特征分析，分析其客户价值。本节将通过K-Means聚类算法对客户进行聚类，然后结合RFM模型分析不同类别客户的价值。8.3RFM模型分析8.3.1RFM模型RFM模型是一个经典的客户价值分析模型，它将最近消费时间间隔（recency）、消费频率（frequency）、消费金额（monetary）三大指标作为衡量标准描述客户的价值状况。（1）最近消费时间间隔（以下简称R）是指客户上一次的消费时间和统计当天的间隔。R的值越小，说明客户的下单间隔越小。如果R的值很大，则可认为该客户存在流失风险或已流失，在这类客户中，可能存在一些优质客户，值得商家通过一定的营销手段进行“唤醒”。8.3RFM模型分析（2）消费频率（以下简称F）是指客户在一段时间内的购买次数。F能够体现客户的忠诚度，其值越大，表示客户在本店铺消费越频繁，不仅能为店铺带来人气，还能带来稳定的现金流。除忠诚度外，影响F的因素还包括商品价格、生命周期、品类等。例如，手机、笔记本电脑等商品的价格昂贵，生命周期通常在1～3年，因此3C数码店铺的F值通常较小；而日用百货、副食水果等商品的价格便宜，商品购买周期可能只有数天，因此超市的F值通常较大。这个例子说明，跨品类比较F的值是没有意义的。此外，从上述例子中还可以看出，F更适用于品类较多、规模较大的店铺。因此，对于一些品类较为单一、规模较小的店铺，用客户的历史总购买次数作为F的值更有参考价值。8.3RFM模型分析（3）消费金额（以下简称M）是指客户在一段时间内的消费金额。M的值越大，说明客户在本店铺的消费金额越高，其对店铺的价值也越高。与F类似，对于小店铺而言，也可将客户的总消费金额作为M的值。在获取店铺所有客户的RFM指标后，需要根据整体数据情况为每个指标确定判定值（一般为各指标数据的平均值），通过将每位客户的指标数据与判定值进行比较，即可将客户细分为8种类型：重要价值客户、重要发展客户、重要保持客户、重要挽留客户、一般价值客户、一般发展客户、一般保持客户和一般挽留客户，如下图所示。8.3RFM模型分析在客户价值分析中，可以根据需求选择客户分类数，无须完全按照上图划分为8类。在利用RFM模型对店铺客户进行价值划分后，可对其采取不同的营销策略（见表8-1），以达到营销成本的最大化利用。8.3RFM模型分析8.3RFM模型分析8.3RFM模型分析8.3.2聚类算法聚类类似于分类，不同的是聚类没有给定划分类别，而是通过一定的算法自动分类。即按某个特定标准把一个数据集分割成不同的类，使得同一个类中的数据之间相似性尽可能大，同时不在同一个类中的数据之间差异性也尽可能大。可见，聚类后同一类的数据尽可能聚集到一起，不同类数据尽量分离，如下图所示。1．什么是聚类8.3RFM模型分析聚类算法中最典型的是K-Means聚类算法，也称K均值聚类算法。它采用距离作为相似性的评价指标，即认为两个样本数据的距离越近，其相似度就越大。而且，该算法认为类是由距离靠近的数据组成的，因此其最终目标是获得紧凑且独立的类。K均值聚类算法凭借原理简单、实现容易和收敛速度快等优点在多个领域有着广泛的应用，如发现不同的客户群（商业领域）、对基因进行分类（生物领域）、向客户提供更合适的服务（电子商务）等。8.3RFM模型分析2．K-Means聚类算法机器学习库Scikit-learn提供了cluster模块用于聚类分析，该模块包含了多种聚类算法。通过KMeans()函数可以创建K-Means聚类模型，其一般格式如下。8.3RFM模型分析3．聚类模块KMeans(n_clusters=8)其中，n_clusters表示客户类别数量，为整型，最大值为8，默认为最大值。创建模型后，须使用其fit()函数计算K-Means聚类的属性，常用的属性有cluster_centers_和labels_。其中，cluster_centers_表示聚类中心值；labels_表示每个样本数据所属的类别标号，取值为0～n_clusters−1。8.3RFM模型分析8.3.3RFM模型特征值构建和标准化该女装店铺的RFM模型的特征值可以通过数据中的下单日期、历史总订单数和总交易金额得到。此处，首先，将下单日期及其最大值转换成时间型数据，相减后将时间差转换成天数，并添加到最近消费时间间隔列；接着，将历史总订单数中的“+”使用空字符替换，并将数值转换为整型；然后，选择买家昵称、最近消费时间间隔、历史总订单数和总交易金额创建DataFrame对象；最后，修改该对象的列标签，并设置买家昵称列为行标签，输出数据。实现代码如下。1．特征值构建importpandasaspdimportnumpyasnpdf=pd.read_excel('女装销售数据.xlsx')pd.set_option('display.unicode.east_asian_width',True)#特征值构建df['最近消费时间间隔']=(pd.to_datetime(df['下单日期'].max())-pd.to_datetime(df['下单日期']))/np.timedelta64(1,'D')df['历史总订单数（单）']=df['历史总订单数（单）'].apply(lambdax:xiftype(x)!=strelsex.replace('+','')).astype('int')df_temp=df[['买家昵称','最近消费时间间隔','历史总订单数（单）','总交易金额（元）']]df_temp=df_temp.rename(columns={'最近消费时间间隔':'R-最近消费时间间隔','历史总订单数（单）':'F-消费频率','总交易金额（元）':'M-消费金额'})df_temp=df_temp.set_index(['买家昵称'])print(df_temp)NumPy库提供了timedelta64()函数用于产生一个带时间单位的64位整数，第一个参数表示单位数，第二个参数表示单位，如D（天）、M（月）、Y（年）等。程序运行结果如右图所示。8.3RFM模型分析由于每个特征值的量纲和取值范围不同，可能会对数据分析的结果造成影响，因此须对其进行准化处理。此处，使用标准差标准化数据，即每列数据减去列均值后除以列标准差，然后输出标准化后的特征值。实现代码如下。8.3RFM模型分析2．特征值标准化df_std=(df_temp-df_temp.mean(axis=0))/df_temp.std(axis=0)print(df_std)程序运行结果如下图所示8.3RFM模型分析8.3RFM模型分析8.3.4店铺客户价值分析为了清晰地分析客户，须通过聚类模型标记客户类别。此处，首先导入Scikit-learn库的cluster模块；然后设置客户类别数量为4（结合业务的理解与分析来确定），使用KMeans()函数创建聚类模型；最后使用fit()函数计算聚类算法的属性，将labels_属性添加到数据的客户类别列，并输出数据。实现代码如下。1．客户聚类fromsklearnimportclusterk=4 #设置客户类别数量kmodel=cluster.KMeans(n_clusters=k) #创建聚类模型8.3RFM模型分析程序运行结果如右图所示。kmodel.fit(df_std) #计算聚类算法的属性df_temp['客户类别']=kmodel.labels_print(df_temp)接下来，根据客户类别计算以上4类客户的RFM的值和客户数，并选取R、F和M值的均值作为判定值。此处，将数据按客户类别分组及求分组数据的均值（R、F和M的值）；然后将分组数据的统计个数添加到客户数列；最后按列求均值并添加到判定值行，输出数据。实现代码如下。df_mean=df_temp.groupby('客户类别').mean()df_mean['客户数']=df_temp.groupby('客户类别').size()df_mean.loc['判定值']=df_mean.mean()print(df_mean)程序运行结果如下图所示。8.3R