不重复3位数_3.对顾客消费情况的指标数据分析

图1：本文构成

本次分析数据来自Kaggle的某零售商店的销售数据。https://www.kaggle.com/mehdidag/black-friday

1.提出问题

零售业可以从店铺经营、商品经营和顾客消费行为的角度去进行数据分析，本数据集主要涉及的字段大都与顾客相关，所以从顾客的消费行为去数据分析。

• 计算消费次数和单次消费额
• 对主要指标进行描述性统计分析（平均值、中位数、标准差等）。
• 对顾客相关字段（性别、年龄、职业、居住城市、居住期间、婚姻状况），对产品相关字段（消费额、消费次数、单次消费额、产品1-3数量）进行数据分析。从各个角度来分析不同人群结构的消费特征。
• 对销售额进行分类。

2.理解数据

1. 用户ID(User_ID)：每个消费者的ID。发现同一个ID有多次购买行为，可以对同一个ID的销售额进行汇总，并对购买次数进行计数。
2. 商品ID(Product_ID)：每个商品的ID。发现一个商品ID可以对应多个产品分类，而且同一个产品分类下面对应复数个值。可以认为该商品ID是捆绑销售。比如ID号为P00248942的商品，对应的产品分类1-3分别是1、6、14，可以理解为该商品有1个产品分类1,6个产品分类2,14个产品分类3组成。
3. 性别(Gender)：F为女性；M为男
4. 年龄(Age)：分为0-17岁，18-25岁，26-35岁，36-45岁，46-50岁，51-55岁，55岁+共7段。
5. 职业(Occupation)：0-20共21类
6. 居住城市(City Category)：A、B、C三个
7. 该城市居住期间(Stay In Current City Years)：1年，2年，3年，4年及以上
8. 婚姻状况(Marital Status)：0未婚，1已婚
9. 产品分类1(Product Category 1)
10. 产品分类2(Product Category 2)
11. 产品分类3(Product Category 3)
12. 消费额(Purchase)

3.数据清洗

3-1 选择子集

• 由于这里分析的对象是用户ID，因此把商品ID字段隐藏起来。
• 通过数据透视表，制作一张新表。合并同一用户ID的消费信息，对消费额以及产品1-3进行求和。然后用vlookup匹配用户ID的其他信息。接着对用户ID使用计数项分析，可以得到每位用户在期间内共来消费过多少次。

图2：使用数据透视表，对用户ID进行汇总。得到每个用户ID所购买的每个产品分类以及消费额的总和，以及总共采购了的次数

• 汇总得到的数据中，不论是产品分类，还是消费额，就算认为这个用户是代表一大家人来购物，都明显偏大。而且一个用户ID在一个黑色星期五中购物了上百次，显然也不符合实际情况。为了分析的合理性，认为这里消费额的单位是美分，而购物的期限不再局限于黑色星期五，而是一整年。
• 对原表的消费额除于100，把美分单位转换为美元。

图3：假定消费额的单位从美分转换为了美元

• 把数据透视表的表格复制到新的表单中，用vlookup对每个用户ID的性别、年龄、职业、居住城市、居住期间、婚姻状况进行匹配。

图4：使用vlookup对新表单的用户ID进行匹配用户信息字段

• 对各个字段进行匹配后得到了新的完整表单

图5：汇总用户ID以后得到的新表单

3-2 列名重命名

• 在之前的分析中，已经把列名修改成了中文

3-3 删除重复值

• 对唯一的用户ID进行重复值的删除，未发现重复值。因为之前用数据透视表时已经对用户ID进行了汇总，正常情况下不会再有重复值。

图6：删除重复值

3-4 缺失值处理

• 假定唯一性的字段用户ID没有缺省值。用户ID共有5892条信息

图7：用户ID共有5892条信息

• 除了产品分类3，其他字段的信息均完整。在产品分类3中，只有5869条信息。

图8：产品分类3只有5869条信息

• 缺失值处理。在该列中找出所有空值，这里的空值应该表示没有购买任何分类3的产品，因此应该用0替代。

图9：空值用0替代

3-5 一致化处理

3-5-1 年龄字段

• +号不方便数据分析。把表示55岁以上的55+统一换成60岁（替换功能，截图略）
• 调整年龄段的设置。除了17岁以下和55岁以上，其他分类基本都是以10年左右为一个阶段，而46-50岁和51-55岁为5年，这样分类会对之后百分比统计容易带来误导的结果。合并这两个年龄段为46-55岁。方法为把这两个年龄段都替换为46-55岁。

图10：把46-50岁年龄段全部替换为46-55岁

图11：把51-55岁年龄段全部替换为46-55岁

• 为了更直观的展示数据，把区间年龄转换为平均值。有两种方法去实现，第一种是用-对区间两段的值进行分列，得到新的两列后再求平均。第二种是用`函数去得到-前后两段的数据后，再求平均。不论哪一种方法，都是先求年龄段内的最小值和最大值，再求平均值。这里使用较为简单的分列方法。

图12：先新建“最小年龄”“最大年龄”“平均年龄”三个新的字段

图13：对年龄段进行分列

图14：对最小年龄和最大年龄求平均值。因为60岁只出现在最小年龄中，加入if条件判断。此外如果取整的话的得到的平均年龄大都尾数是0，比较容易分析，因此加入int向下取整。

• 隐藏“年龄”“最小年龄”“最大年龄”三个字段

3-5-2 居住期间的格式统一

• 由于居住期间在四年以上的4+的加号容易对分析会产生不便，这里统一替换成4年。
• 对追加或者修改过的“平均年龄”“居住期间”字段用“筛选”方法检查，结果显示所有值都正常显示。

3-6 数据排序

• 首先对“消费额”用降序排列。发现消费额最高的超过了10万美元。消费额最高的前30位用户都超过了5万美元。看来这家零售店还是有一批较为忠诚的用户的。

图15：对消费额字段进行降序排列

• 其次对“消费次数”用降序排列。发现消费次数最多的达到了1000次以上，消费次数的前50都超过了500次，表明一天消费的平均次数在一次以上。此外，消费次数超过500次的用户的消费额绝大多数都在4万以上，表明消费次数与消费额是基本成比例的。

图16：对消费次数字段进行降序排列

• 此外，用消费额除以用户可以得到单次消费的平均额。对单次消费的平均额进行降序排列，可以发现前50，乃至前100的差距相比消费额和消费次数都不太大，可以推测一次消费上千美元的情况应该非常少，可以想象这家零售店的大件商品（电器、家具）应该比较少。

图17：对单次消费额字段进行降序排列

• 而从对单次消费额进行升序排列，又发现了一个有趣的事实是，除了单次消费最低的5位低于40美元，其他所有用户的消费额都在40美元以上。可以看出单次消费额的分布应该是比较集中的。可以想象来这家零售店的用户应该都是有较为明确的购物清单，而且是有一定数量的。而不只是像便利店一样买一瓶水或者一个面包的。

图18：对单次消费额字段进行升序排列

3-7 异常值处理

• 这里所有的用户都是唯一的，且从刚才的消费额、消费次数等字段中，也没有发现异常值。所以可以认为这个数据集中无异常值。

4.构建模型

4.1描述性统计分析

• 通过excel内置的分析工具库，计算整体消费人群的描述统计分析指标。平均值是8518美元，中位数是5126美元，标准差是9330元。

图19：对消费额字段进行描述数据分析

图20：消费额的描述统计分析

• 同理，对消费次数以及单次消费额的整体情况加以把握。消费次数的平均值是91次，中位数是53次，标准差是106次。而单次消费额的平均值是97美元，中位数是96美元，标准差是19美元。可以发现单次消费额的平均值和中位数非常接近，而且标准差较小，再次证明了单次消费额的分布比较平均。

图21：消费次数的描述统计分析

图22：单次消费额的描述统计分析

• 最后对刚才计算得到的平均年龄的描述统计分析。得到消费人群的平均年龄为35岁，中位数为30岁，标准差为12岁。

图23：平均年龄的描述统计分析

4.2用数据透视表对各字段进行分析

• 通过数据透视表，计算各个人群的消费情况。先比较每个字段的内部情况，接着比较两个字段之间的情况，尝试进一步对消费人群进行细分。
• 对男女的消费情况进行分析。发现男性消费额的平均值比女性高出两千多美元。对消费额的构成细分进一步发现，男性消费额更高主要体现在消费次数上。而对产品分类进行比较，发现每一类的男性的平均购买数量都要比女性多。此外，男性用户占到了全部用户的7成多，表示这家零售店的目标顾客有很明显的性别倾向。

图24：行标签为性别，值为消费额、消费次数、单次消费额、产品分类1-3。对性别的数据进行计数并用百分比展示，其他数据取平均值

• 对年龄段进行消费行为分析。发现消费额最高的是26-35岁，其次是36-45岁，同时，来这家零售店光顾最多的年龄段同样是26-35岁最多。18-25岁、36-45岁以及46-55岁都差不太多，表明在这家零售店的主要消费顾客就是18-55岁的中青年，主要对应的就是工作人群。此外，各年龄段的单次消费额差距不大，都在95美元左右。各产品分类中，产品分类3的差异最大，尤其是26-35岁要比第二位的36-45岁的购买量多了近一倍，而0-17岁和60岁以上的购买量明显较小。

图25：行标签为年龄段，值为消费额、消费次数、单次消费额、产品分类1-3。对年龄段的数据进行计数并用百分比展示，其他数据取平均值。此外对消费额进行降序排序

• 结合性别和年龄段，发现18-55岁的男性的消费额超过了8000美元，是这家零售店的主要顾客。

图26：对年龄段和性别共同分析

• 对消费额字段进行消费行为分析，并对消费额进行降序排列。发现消费额在1万美元以上的有职业20、职业19、职业5，不过这三个职业相对人群数量较少，三个总和也只有8%不到。消费次数基本也是同样的排名。而单次消费额各个职业差距不大。各类产品分类的排名基本和消费额的排名一致。

图27：对职业字段进行分析

• 对居住城市字段进行消费行为分析。从居住城市的分布来看，超过半数的顾客居住在C城市，但是消费额相比其他两个城市只有一半不到。从消费额的构成来看，消费额偏少主要体现在消费次数明显少于另两个城市，单次消费额还略高于另两个城市。各个产品分类也是C城市的消费量明显少于另两个城市。可以猜想的可能是，C城市类似的零售店比A和B城市少，导致C城市的顾客数量最多，但C城市的收入比A和B相对较低，导致C城市的消费额最少。

图28：对居住城市字段进行分析

• 对居住期间字段进行消费行为分析。从数据构成来看，居住期间比重最高为1年，而四年及其以上的比重只有15%，认为顾客分布相对较新，一方面认为在获取新客户的角度比较成功，但一方面也要注意可能存在老客户的流失。而消费额相关的字段中均没有发现与居住期间有明显关联的因素。

图29：对居住期间字段进行分析

• 对婚姻状况字段进行消费行为分析。从数据构成来看，未婚人群的比重略高于已婚人群。对消费额相关字段进行分析，发现未婚人群的消费额虽然略高于已婚人群，但只有相差5%左右。

图30：对婚姻状况字段进行分析

• 用vlookup函数对消费额进行分组。分为4类，分别是消费能力高、较高、较低和低，并对每一类的人群数量进行了统计。接下来还可以进一步对消费额高的前5%的人群进一步分析。本文由于篇幅限制，暂不涉及。

图31：对消费额使用vlookup进行分类

图32：通过数据透视表对每一类消费额的百分比构成进行统计

5.数据可视化（本文暂不涉及）

结论：

1. 单次消费额的分布比较接近。大部分顾客的单次消费额都在100美元左右。
2. 男性顾客占到总体的七成多，且男性消费额的平均值比女性高出两千多美元。
3. 26-35岁年龄段的消费额最高。18-55岁的工作人群要比学生以及退休人群的消费额高。
4. 产品1、2随着年龄段的变化较小，而产品3的变化大。最多的年龄段是最少的6倍。
5. 消费额最高的3个职业是20,19,5。消费人群最多的3个职业是0,4,7。
6. 超过半数的顾客居住在C城市，但消费额相比另两个城市只有一半不到。
7. 超过三分之一的顾客的居住区间在1年。
8. 有4%的顾客消费额超过了3万美元