Day15实习日记

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。