数据探索+ 数据预处理

数据探索：
    1.统计量分析 ：
        1.集中趋势的度量：
            1.均值、中位数、众数
        2.离散趋势的度量： 
            极值()
            极差
            标准差、方差
            四分位数间距 
    2.相关性分析：
        通过散点图  获取 相关系数

数据预处理：
    补充： 
        数据透视表 也可以对数据 进行分析 【聚合统计 】
        group by  +agg 
案例： 
    客户价值分析（用户画像  =》 类似 ）

1.基本理论： 
    1.RFM模型
    2.聚类分析 （机器学习里面的算法 =》 结果 标签）
    3.RFM聚类分析    

1.RFM模型 =》 获取 RFM
    根据用户属性 进行打标签【进行分类 】 =》 
        超级用户
        普通用户
        黑户

    2.RFM： 【用户的属性】
        R: 最近一次消费 距现在的时长 【时差】 recency
        F：消费频率 frequency
        M：消费金额 mon

    eg:
        客户a ：
            R：180  F：1次/月 M：100块/月
        客户b ：
            R：3   F：10次/月 M：1000块/月
        .RFM模型=> 
            b 超级用户 
            a 流式用户
        标准： 
            1.RFM 高 =》 【超级用户 、 重要价值用户】
                【R 表示最近消费时间很近 R值很小】
            2.R低 FM高= 》【保持客户】
            3.RM高 F低 =》 【发展客户】
            4.RF低 M高 =》 【挽留客户】

2.聚类分析【RFM 结果数据】
    一个可以分类的工具 
    2.聚类分析方法：
        1.层次聚类法
        2.K-均值法（Kmeans）

3.RFM聚类分析    
    1.RFM 核心指标 进行 聚类分析 
    2.Kmeans =》 用户 进行分类  =》 4个类别
    3.4个类别 基于 RFM 对用户进行标注【对用户进行打标签】 

RFM聚类分析 好处？
    1.提供决策支持