数据分析案例——用户消费行为分析

最新推荐文章于 2024-07-13 22:31:40 发布
最新推荐文章于 2024-07-13 22:31:40 发布
阅读量5.3k 收藏 63
点赞数 9
分类专栏： PowerBI python pandas 文章标签： 数据分析 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/liushuang99/article/details/110757643
版权
python 同时被 3 个专栏收录
10 篇文章 1 订阅
订阅专栏
pandas
4 篇文章 1 订阅
订阅专栏
PowerBI
2 篇文章 0 订阅
订阅专栏

文章目录

数据分析之——用户消费行为分析

内容摘要

  • 项目背景
  • 项目目的
  • 分析思路
  • python数据分析实现
  • PowerBI可视化看板设置

一、项目背景

  • 这是一份用户消费行为的分析报告；
    数据来源于网上，是用户在一家单车网站上的消费记录，其时间跨度为1997年1月至1998年4月。
  • 数据格式：txt文档，具体信息见图
    在这里插入图片描述
  • 第一列——user_id：用户ID
    第二列——order_dt:购买日期
    第三列——order_prodects：购买产品数
    第四列——order_amount：购买金额

二、项目目的

通过数据分析：
1、了解本网站的基本营业情况；
2、对用户行为进行分析，掌握用户的分布情况，便于之后的策略制定；

三、分析思路

1、基础数据整理清洗
2、针对月份进行用户消费趋势的分析——便于掌握公司的营收发展趋势
3、针对用户个体消费进行分析
4、针对用户消费行为进行分析
5、针对用户购买周期进行分析
6、针对用户复购回购进行分析

四、python数据分析实现

  • 一、基础数据整理清洗
    数据清洗的目的在于对数据进行审查和校验，其主要操作有：
    （1）解析原始数据列名，理解其意义并做通俗化替换；
    （2）查看数据源每一条信息的数据类型是否正确；
    （3）查看数据有无缺失值情况；
    （4）查看数据有无异常值情况；
    （5）数据一致化处理（多用于针对时间数据）

    • 首先导入数据，解析原始数据信息，做通俗化替换。
#导入必要的包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

#导入数据并设置列名
#解析原始数据列名，理解其意义并做通俗化替换
columns=['user_id','order_dt','order_products','order_amount']
df=pd.read_table(r'：\bicycle_master.txt',sep='\s+',names=columns)

#查看数据
df.head(2)

在这里插入图片描述

  • 查看数据源每一列信息的数据类型是否正确，尤其需要注意可能会计算的数据和时间格式。
#查数据源每一条信息的数据类型是否正确
df.info()
#发现其中order_dt 购买日期应该为时间格式类型，并非整型数据，需要进行数据处理

在这里插入图片描述

-数据源中时间数据的类型为整型，需要修改成datetime格式，并且为接下来时间序列分析做准备需要将年和月提取出来。

#pd.to_datetime函数进行转换
df['order_dt']=pd.to_datetime(df['order_dt'],format='%Y%m%d')
#同时考虑到后续对数据分分析，将其按照年、月将时间提取出来
#生成年、月
df['Year']=df['order_dt'].astype('datetime64[Y]')
df['Month']=df['order_dt'].astype('datetime64[M]')
#查看数据
df.head(2)

在这里插入图片描述

#查看数据描述
df.describe()

在这里插入图片描述

  • 发现大部分订单只消费了少量商品，75%用户的产品购买量仅3个；
    用户的消费金额比较稳定，平均消费35元，中位数在25元，存在一定极值的干扰。

  • 基础数据整理结束

  • 二、针对月份进行用户消费趋势的分析

    如果以天为尺度进行分析，具有较大的波动性和随机性，并且数据量较大；以月为尺度进行分析，能够避免一定的随机性，并且还可以看出一定的分布趋势，故选择以月为尺度进行数据分析。
    以月为尺度进行分析，较为重要的是消费金额，消费频率，购买产品量和消费人数
    消费人数的变化可以看出该平台对用户粘性的变化程度；消费水平一方面与消费人数有关，另一方面可能与当月的产品及活动有关。

    • 每月的消费总金额
    • 每月的消费次数
    • 每月的产品购买量
    • 每月的消费人数
#需要对Month进行一个groupby，并对购买金额和购买产品数量进行求和，对购买次数（用户id）进行计数
grouped=df.groupby(df['Month']).agg({"order_amount":'sum','user_id':'count','order_products':'sum'})
grouped.head()

在这里插入图片描述

#统计每月的消费人数，即统计用户id唯一值的个数
order_month_person=grouped_month.user_id.nunique()
order_m_p=order_month_person.to_frame()
order_m_p.head()

在这里插入图片描述

  • 对用户人数统计可以看出，4月后出现明显的下跌趋势，将数据进行保存，用于后期powerbi绘图

  • 三、针对用户个体消费进行分析

    • 用户消费金额，消费个数描述性统计
    • 用户消费金额和消费次数的散点图
    • 用户消费金额的分布图
    • 用户消费次数的分布图
    • 用户累计消费金额占比
#新建一个按照用户分类的数据
user_info=df.groupby('user_id')
#用户消费金额，消费个数描述性统计
user_info.sum().describe()

（1）用户消费金额，消费个数描述性统计
在这里插入图片描述

  • 用户平均购买为7，但是中位值只有3，说明购买量大的用户占少数
  • 用户平均消费106元，中位值有43，判断同上，有极值干扰
    （2）用户消费金额和产品个数的散点图
#用户消费金额和消费次数的散点图
user_info.sum().plot.scatter(x='order_amount',y='order_products')

在这里插入图片描述

#绘制消费金额和消费个数的散点图
user_cost_number=df.groupby('user_id').agg({'order_amount':'sum','order_products':'count'})
user_cost_number.plot.scatter(x='number',y='cost')

在这里插入图片描述
（3）用户消费金额的分布图

user_info.sum().order_amount.plot.hist(bins=20)
#从直方图可知，用户消费金额，绝大部分呈现集中趋势，小部分异常值干扰了判断，可以使用过滤操作排除异常

在这里插入图片描述

#使用切比雪夫定理过滤掉异常值，因为切比雪夫定理说明，95%的数据都分布在5个标准差之内，剩下5%的极值就不要了
#order_amount (mean = 106 ,std = 241) mean+5std = 1311
#过滤操作 pd.query(条件)
user_info.sum().query('order_amount<1311').order_amount.plot.hist(bins=20)

在这里插入图片描述

（4）用户消费次数的分布图

#过滤操作
#先筛选再取数
user_cost_number.query('number<50').number.plot.hist(bins=20)

在这里插入图片描述

（5）用户累计消费金额占比

# cumsum 是求累加值
user_cumsum=user_info.sum().sort_values('order_amount').apply(lambda x:x.cumsum()/x.sum())
# 这里 reset_index() 是为了得到一个自然数的行标签，表示的就是人数，下面的图就可以看出来多少个少占多少百分比
user_cumsum.reset_index().order_amount.plot()

在这里插入图片描述

  • 四、针对用户消费行为进行分析
    • 用户第一次消费（首购）
    • 用户最后一次消费
    • 新老客户消费比
      • 多少用户仅消费一次
      • 每月新客占比
    • 用户分层
      • RFM模型
      • 新、老、活跃、回流、流失

（1）用户第一次消费及最后一次消费

grouped_user=df.groupby(df['user_id'])
#第一次消费=消费时间最小=min()
grouped_user.min().order_dt.value_counts().plot()

在这里插入图片描述

#最后一次消费=消费时间最大=max()
grouped_user.max().order_dt.value_counts().plot()

在这里插入图片描述

  • 发现新用户仅在前三个月，随后便没有新用户的产生；最后一次消费呈现断崖式的下降

（2)新老客户消费比

  • 多少用户仅消费一次
  • 每月一次消费与多次消费比例
#仅消费一次说明第一次第一次消费时间=最后一次消费时间
user_life=grouped_user.order_dt.agg([max,min])
#选择第一次==最后一次的
#统计数量
(user_life['max']==user_life['min']).value_counts()

"""
结果如下
True     12054
False    11516
dtype: int64
"""
  • 有一半的用户，只消费了一次
#每月新客占比
#df.groupby(['Month','user_id']) 会有多个日期，因此pivot_table不显示order_dt
grouped_um = df.groupby(['Month','user_id']).order_dt.agg(["min","max"])      #按月分组下的userid分组，求每月的最早购买日期和最晚消费日期
grouped_um["new"] = (grouped_um["min"] == grouped_um["max"] )       # 新增列 True 为一次消费的用户

#统计true和false的个数
grouped_um.groupby(['Month']).new.value_counts()

在这里插入图片描述
（3)用户分层

  • RFM模型
  • 新、老、活跃、回流、流失
# 用户分层
# 画 RFM，先对原始数据进行透视

#消费时间-最近；消费频率-求和；消费金额-求和
rfm=df.pivot_table(index='user_id',
                  values=['order_products','order_amount','order_dt'],
                  aggfunc={'order_dt':'max',
                          'order_amount':'sum',
                          'order_products':'sum'})
rfm.head()

在这里插入图片描述

# 得到最近一次消费，一般是计算 today 距离最近一次消费，这里因为时间太久远，就随便用的max值
# 数值越大就越久远，分子得到的是一些天数类似 545 days（因为是时间格式相减），处以一个单位，就不会有单位了只留下数值
#这里取负数是为了接下与mean比较是标定0、1而定的，因为越近越好，其时间越小
rfm['R']= -(rfm.order_dt - rfm.order_dt.max())/np.timedelta64(1,'D')
# 重命名，也就是 R：最后一次消费距今天数，F：消费总金额 ，M：消费总产品数
# R ：消费时间  F：消费金额  M：消费频次
rfm.rename(columns={'order_products':"F",'order_amount':'M'},inplace=True)

在这里插入图片描述

#这里需要定义一个函数，针对RFM的表现进行8种类型的区分
#这个RFM的标准都选择为其平均值
def rfm_func(x):
    level=x.apply(lambda x:'1' if x>=0 else '0')
    # level 的类型是 series，index 是 R、F、M
    #print(type(level))
    #print(level.index)
    label=level.R + level.F + level.M
    d={
        # R 为1 表示比均值大，离最早时间近，F为1 表示 消费金额比较多，M 为1 表示消费频次比较多，所以是重要价值客户
        '111':'重要价值客户',
        '011':'重要保持客户',
        '101':'重要发展客户',
        '001':'重要挽留客户',
        '110':'一般价值客户',
        '010':'一般保持客户',
        '100':'一般发展客户',
        '000':'一般挽留客户',
    }
    result=d[label]
    return result

# 注意这里是要一行行的传递进来，所以 axis=1，传递一行得到一个 111，然后匹配返回一个值
rfm['label']=rfm[['R','F','M']].apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)

在这里插入图片描述

  • 从RFM 分层可知，大部分用户是重要保持客户，但是这是由于极值的影响，所以 RFM 的划分标准应该以业务为准，也可以通过切比雪夫去除极值后求均值，并且 RFM 的各个划分标准可以都不一样
  • 尽量用小部分的用户覆盖大部分的额度，这样对之后计划的指定可以更具有针对性
#新、老、活跃、回流、流失
# 数据透视， userid为索引，月为列，求每月的消费次数，这里填充了
pivoted_counts=df.pivot_table(index='user_id',
                             columns='Month',
                             values='order_dt',
                             aggfunc='count').fillna(0)
# 转变一下消费，有消费为1，没有消费为0
df_purchase=pivoted_counts.applymap(lambda x:1 if x>0 else 0)
df_purchase.tail()

在这里插入图片描述

# 这里由于进行数据透视，填充了一些 null 值为0，而实际可能用户在当月根本就没有注册，
#这样会误导第一次消费数据的统计，所以写一个函数来处理
def active_status(data):
    status=[]
    # 数据一共有18个月份，每次输入一行数据，这样进行逐月判断
    for i in range(18):
        # 若本月没有消费，上面处理过的结果
        if data[i]==0:
            if len(status)>0:
                if status[i-1]=='unreg':
                    status.append('unreg')
                else:
                    status.append('unactive')
            else:
                # 之前一个数据都没有，就认为是未注册
                status.append('unreg')
                
        # 若本月消费
        else:
            if len(status)==0:
                status.append('new')
            else:
                if status[i-1]=='unactive':
                    status.append('return')
                elif status[i-1]=='unreg':
                    status.append('new')
                else:
                    status.append('active')
    return status
"""
若本月没有消费，这里只是和上个月判断是否注册，有缺陷，可以判断是否存在就可以了

若之前是未注册，则依旧为未注册
若之前有消费，则为流失/不活跃
其他情况，为未注册
若本月有消费

若是第一次消费，则为新用户
如果之前有过消费，则上个月为不活跃，则为回流
如果上个月为未注册，则为新用户
初次之外，为活跃
return:回流

new:新客

unreg:未注册

active:活跃
"""

#传入数据
purchase_stats=df_purchase.apply(lambda x: pd.Series(active_status(x),index=df_purchase.columns),axis=1)

在这里插入图片描述

# 这里把未注册的替换为空值，这样 count 计算时不会计算到
# 得到每个月的用户分布
purchase_stats_ct=purchase_stats.replace('unreg',np.NaN).apply(lambda x:pd.value_counts(x))
purchase_stats_ct

在这里插入图片描述

#计算各种占比
returnratee=purchase_stats_ct.apply(lambda x:x/x.sum(),axis=0)
#将NAN填充成0并转至
purchase_stats_ct_info = purchase_stats_ct.fillna(0).T
#绘制面积图
purchase_stats_ct_info .plot.area()

在这里插入图片描述

  • 五、针对用户购买周期进行分析
    • 用户购买周期（按订单）
      • 用户消费周期描述
      • 用户消费周期分布
    • 用户生命周期（按第一次和最后一次消费） -
      • 用户生命周期描述
      • 用户生命周期分布

（1）用户购买周期（按订单）

  • 用户消费周期描述
  • 用户消费周期分布
# 用户购买周期（按订单）
#注意shift函数的使用
# 计算相邻两个订单的时间间隔，shift 函数是对数据进行错位，所有数据会往下平移一下，所以可以
order_diff=grouped_user.apply(lambda x:x.order_dt-x.order_dt.shift())
order_diff.head(10)

在这里插入图片描述

#用户消费周期描述
order_diff.describe()

在这里插入图片描述

#用户消费周期分布
# 去除单元值np.timedelta64(1,'D'))
(order_diff/np.timedelta64(1,'D')).hist(bins=20)

在这里插入图片描述

  • 订单周期呈指数分布
  • 用户的平均购买周期是68天
  • 绝大部分用户的购买周期都低于100天

（2）用户生命周期（按第一次和最后一次消费）

  • 用户生命周期描述
  • 用户生命周期分布
# 用户生命周期（按第一次和最后一次消费）描述
(user_life['max']-user_life['min']).describe()

在这里插入图片描述

#用户生命周期分布
((user_life['max']-user_life['min'])/np.timedelta64(1,"D")).hist(bins=40)

在这里插入图片描述

  • 用户的生命周期受只购买一次的用户影响比较厉害（可以排除）
  • 用户均消费134天，中位数仅0天
# 提取大于0的数据
u_1=(user_life['max']-user_life['min']).reset_index()
u_1

在这里插入图片描述

# 提取大于0的数据
u_1=(user_life['max']-user_life['min']).reset_index()[0]/np.timedelta64(1,"D")
u_1[u_1>0].hist(bins=40)

在这里插入图片描述

  • 六、针对用户复购回购进行分析
    • 复购率
      • 自然月内，购买多次的用户占比(即，购买了两次以上)
    • 回购率
      • 曾经购买过的用户在某一时期的再次购买的占比（可能是在三个月内）
# 复购率
pivoted_counts.head(10)

在这里插入图片描述

# 区分一个，和一个以上的情况，以便于计算复购率，大于1为1，等于0 为0，等于1为0
purchase_r=pivoted_counts.applymap(lambda x: 1 if x>1 else np.NaN if x==0 else 0)
purchase_r.head()

在这里插入图片描述

# 复购人数/总消费人数（不会计算nan值）
#绘图
(purchase_r.sum()/purchase_r.count()).plot(figsize=(10,4))

在这里插入图片描述

  • 复购率稳定在20%所有，前一个月因为有大量新用户涌入，而这批用户只购买了一次，所以导致复购率降低
#回购率使用的数据集
df_purchase.head()

在这里插入图片描述

#回购率
# 需要使用函数来判断是否回购：当月消费过的用户下个月也消费了叫做回购，这个定义可以改变
def purchase_back(data):
    '''判断每一个月是否是回购，根据上个月是否购买来判断，上个月消费下个月没有购买就不是回购'''
    status=[]
    for i in range(17):
        if data[i]==1:
            if data[i+1]==1:
                status.append(1)
            if data[i+1]==0:
                status.append(0)
        else:
            status.append(np.NaN)
    # 第18个月补充NaN
    status.append(np.NaN)
    return status

#遍历每一个用户每一行
indexs=df['month'].sort_values().astype('str').unique()
purchase_b = df_purchase.apply(lambda x :pd.Series(purchase_back(x),index = indexs),axis =1)
purchase_b.head()

在这里插入图片描述

#计算比例
purchase_b_backshop = purchase_b.sum()/purchase_b.count()
#绘图
purchase_b_backshop.plot()

在这里插入图片描述

五、PowerBI可视化看板设置

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

LS96
关注
  • 9
    点赞
  • 踩
  • 63
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
数据分析之实例三：用户消费行为数据分析（一）
small-guo
10-01 3903
#user_id:用户id，order_dt:购买日期,order_products:购买产品数量，order_amount:购买金额 #数据时间：1997年1月-1998年6月的行为数据 import numpy as np import pandas as pd import matplotlib.pyplot as plt from datetime import datetime %matplotlib inline #在行内显示 plt.style.use('ggplot')#更改绘图风格 .
数据分析之实例四：用户消费行为数据分析（二
small-guo
10-08 961
用户的购买周期 #shift函数：将数据移动到一定的位置 data1 = pd.DataFrame({ 'a':[0,1,2,3,4,5], 'b':[5,4,3,2,1,0] }) data1.shift(axis=0)# shift()函数默认axis=0，整体向下一定一位 data1.shift(axis=1)#整体向右一定一位 #计算购买周期（购买日期的时间差） order_diff=df.groupby(by='user_id').apply(lambda x:x['o
数据分析项目三：用户消费行为分析
最新发布
Double_Black1213的博客
07-13 712
取每个用户购买最小时间，然后计算最小日期统计购买人数# 1.首购时间# 用户分组，取购买时间最小值，并按照最小值统计用户个数可视化# 由图可知，1.1-2.10用户量明显呈上升趋势，后逐步下降，猜测：公司产品推广力度降低或商品价格提高#2.最后一次购买时间# 由图可知，用户最后一次购买集中在前三个月，说明缺少忠诚客户# 随时间推移，用户量又呈现上升趋势，猜测：这份数据选择的是前三个月消费用户在后面18个月的跟踪记录。
CD用户消费数据分析
城南以东的博客
09-08 870
项目来自网络 附数据集 １.数据载入和探索 1.1 数据加载 import numpy as np import pandas as pd %matplotlib inline import matplotlib.pyplot as plt df = pd.read_csv('./CDNOW_master.csv', names = ['user_id', 'order_dt', 'order_products', 'order_amount'], sep='\s+') df.head() use
Python数据分析案例—淘宝用户行为分析
m0_61848660的博客
10-31 1552
本文以淘宝app平台为数据集通过电商行业常见行业的指标对淘宝用户行为进行分析，从而探索淘宝用户行为进行分析，具体指标包括：日PV和日UV分析，付费率分析，转化率分析复购行为分析.
【大数据分析】对网站用户购物行为进行数据分析
paney_li的博客
06-20 2807
【大数据分析】对网站用户购物行为进行数据分析。
数据分析——用户消费行为分析
weixin_46271306的博客
05-16 3541
用户行为贯穿我们生活的各行各业，通过分析用户的消费行为，可以帮助企业更好的了解企业发展状况，及时做出战略调整，使企业更好的运转下去。本文以某电商网页用户购买CD数量明细作为样本数据，整理了分析用户消费行为的具体内容。
Python实战项目——用户消费行为数据分析（三）
分享关于数据的知识。
07-20 3838
大多数用户最后一次购买时间集中在前3个月，说明缺少忠诚用户。随着时间的推移，最后一次购买商品的用户量呈现上升趋势，猜测：这份数据选择是的前三个月消费的用户在后面18个月的跟踪记录1．针对用户进行按照月份做整体和个体分析，主要分析维度是人数，消费金额，购买量2．消费分析：首购时间，最后一次购买时间，相邻两个购物时间的间隔，用户分层（ RFM 模型＋数据透视表），分析维度主要是新用户，活跃用户，不活跃用户流失分析，回流用户占比3．复购率和回购率进行分析。
数据分析精华案例-用户分层体系分析
04-07
### 数据分析精华案例——用户分层体系分析 #### 一、引言 随着大数据时代的到来，企业越来越重视数据驱动的决策方式。其中，用户分层体系的构建是提高客户服务质量、提升客户价值的重要手段之一。通过对用户的精细...
基于数据挖掘的客户行为分析——以中小餐饮企业为例.pdf
07-14
标题《基于数据挖掘的客户行为分析——以中小餐饮企业为例》所涉及的知识点围绕数据挖掘技术在中小企业中应用的实践和研究。文章讨论了如何通过对客户行为进行深入的数据分析，来优化中小餐饮企业的经营策略。以下是...
Python在校园数据分析中的应用——以一卡通消费为例.pdf
06-29
本文通过校园一卡通消费数据分析的具体案例，展示了Python在实际应用中的优势和方法。 在讨论Python在校园数据分析中的应用时，首先需要了解大数据的特点，也就是IBM提出的5V特点：大量（Volume）、高速（Velocity...
互联网时代大学生旅游产品消费行为分析——以东莞地区为例.pdf
07-15
综上所述，互联网时代下，东莞地区大学生旅游产品消费行为分析对于旅游产品的开发具有重要意义。通过深入研究大学生群体的旅游动机、偏好、经济条件等特征，旅游企业可以更好地理解他们的需求，开发出符合大学生消费...
企业数据分析案例-信用卡用户画像.zip
05-10
《企业数据分析案例——信用卡用户画像》 在当今的数字化时代，数据已经成为企业决策的重要依据，尤其是在金融领域。信用卡用户画像，就是通过对大量信用卡用户的消费行为、信用状况等数据进行深入分析，构建出的一...
​数据分析项目-用户消费行为分析
Colorfully_lu的博客
11-25 6825
目录 导入及分析 第一部分：数据清洗 导包 数据加载&分析数据 数据清洗 第二部分：按月数据分析 分析方向：用户、订单、消费趋势 消费趋势的分析 1. 每月的消费总金额 2. 每月的消费次数 3. 每月的产品购买量 4. 每月的消费人数（去重） 5. 将上述趋势分析用透视表展示(pivot_table) 第三部分：用户个体消费数据分析 1. 用户消费金额和消费次数的描述统计 2.用户消费金额和消费次数的散点图 3. 用户消费金额的分布图（二八法则） 4. 用户消.
数据分析项目实战之用户消费行为分析
热门推荐
啦啦啦~~
07-23 1万+
数据分析项目中固然是用到很多的数据分析工具和技巧，但是业务知识也占比不小，本案例分析了来自CDNow网站的一份用户购买CD明细，业务结合技术进一步分析用户的消费行为，提高决策质量。CD数据包括用户ID，购买日期，购买数量，购买金额四个字段。 数据下载：https://pan.baidu.com/share/init?surl=pL2qo1H密码g6vv 用到的工具，pycharm，pyth...
基于hadoop+hive+hbase的用户消费行为的大数据分析
qq_42135426的博客
12-23 1393
基于hadoop+hive+hbase的用户消费行为的大数据分析
python基于大数据技术的健身用户消费分析系统
m0_73484725的博客
09-17 279
健身包含了各种促进人的身体健康，增强人的体魄的运动项目。消费行为的现状与变化过程，不仅仅是一个经济学现象，也同时是一个社会学现象。
数据分析案例——客户流失分析与预测
liushuang99的博客
10-04 7462
客户流失分析与预测 一、数据来源 https://www.kaggle.com/blastchar/telco-customer-churn 二、数据整理 1、导入函数包 import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns 2、导入数据并展示 data=pd.read_csv(r"D:\百度网盘\数据分析—实例\运营商客户流失分析与预测\WA_Fn-UseC_-Telco-C
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值