超市电商数据分析
本案例将对某大型超市的零售数据进行数据分析,通过了解运营状况,做出合理的决策。
用户价值度RFM模型分析
RFM是一个经典的客户分群模型,含义如下:
R——Recency:客户最近一次消费时间 F——Frequency:客户消费的频次 M——Monetary:消费金额
客户价值类型:
重要价值客户:RFM3个值都很高,是平台重点维护的客户
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
重要发展客户:最近有消费,且整体消费金额高,但是购买 不频繁
重要挽留客户: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
一般价值客户:多次频繁购买,但是购买的商品价格都较低
一般保持客户:频繁浏览,但是很久没有成交了 一般发展客户:有近期购买行为,但购买商品利润低而且不 活跃
一般挽留客户:RFM3个值都低,已经是流失的客户
根据客户对平台的贡献度的排序是:重要价值客户 > 重要保持客户 > 重要发展客户 >重要挽留客户 > 一般价值客户 > 一 般保持客户 > 一般发展客户 > 一般挽留客户
以2014年的消费数据为例(其他年份类似)提取出2014年的订单数据后,分别添加F、M、R三个维度的数据列,然后再分别对三个维度划定评级,添加三个列,并将每条记录的三个维度的评分进行0、1标记(大于平均分记为1,小于平均分的记为0),最后对每个客户进行价值类型标记;对不同价值的客户类型进行占比分析
使用Pandas的merge函数内连接时报错
TypeError: only integer scalar arrays can be converted to a scalar index
解决方法
colums列表套列表了,去掉一对[]就行
提取三种重要的客户价值,然后分别添加F、M、R三个维度的数
据列,然后再分别对三个维度划定评级,添加三个列,并将每
条记录的三个维度的评分进行0、1标记(大于平均分记为1,
小于平均分的记为0),最后对每个客户进行价值类型标记
思考题:分组对象的apply()方法如何使用?如何根据刻度对相应数据进行评级?针对不同价值客户你能想到哪些营销策略?
答:对groupby()聚合的结果使用apply();FMR三个维度的数据可以至多给客户分为八个类别二,价值越高用户采取力度越大的销售策略。