r语言 月度消费频次_CD网站用户消费行为分析

本篇文章从用户分层，生命周期，回购率，复购率，留存率等指标观察用户的消费行为，最后通过RFM模型对客户进行分类。

主要从以下几个角度，对CD数据集进行了分析

1.用户维度分析

2.订单维度分析

3.时间维度分析

4.用户的消费行为分析

回购率、复购率、客户分层分析、客户质量分析、客户的生命周期、客户的留存率、RFM模型

注：在RFM模型中，本文处理的与其他博客中的不一致，其差异主要是计算时间差时的是否添加负号，本文没有添加，理由如下：

R = 每一位客户的最后一次消费日期-‘今天’

'今天'指的是数据集中最大的日期

其R值为负数，其值越大表示最近一次消费时间越近，该客户的价值越大，与F，M的趋势是一样的，F：表示消费商品数量，其F越大，该客户的价值越大，同理，M(消费金额)越大，客户价值越大。

当然了，是否添加负号，其最后的结果肯定不一致。

import pandas as pd 
import numpy as np
import datetime

import matplotlib.pyplot as plt
import seaborn as sns
plt.style.use('ggplot')
data = pd.read_csv('/Users/llh/Desktop/CDNOW_master.txt',sep='s+',
                   names=['user_id','order_dt','product_num','order_amount'])
data.head()

1.数据集中字段比较少，用户Id,订单日期,购买产品数量,订单金额

2.注意到一个用户在一天内可能发生多次购买，比如用户2

data.info()

1.数据集共有69659条数据，并没有缺失值 2.日期列需转化为日期格式

data.describe()

由上得出：

0.共有23570个客户的数据

1.用户平均购买商品数量为2.4件，75分位数为3，最大值为99，说明绝大部分客户的订单数量都小于3件

2.用户平均消费金额为35.89，75分位数为43.7，最大值为1286，说明绝大部分的订单金额都是小金额

3.订单金额的最小值为0，这个是否为异常数据，是不是赠送商品或者虚拟商品？

一般来说，消费类型的数据都是长尾形态，20%的客户贡献了80%的消费金额

到目前为止，对整个数据有了基本的认识，接下来进行日期转换和排查异常数据

时间序列转换

data['order_dt'] = pd.to_datetime(data.order_dt,format='%Y%m%d')

data['month'] = data.order_dt.astype('datetime64[M]')
# data['year'] = pd.order_dt.map(lambda x: x.year)
# #提取月份
# data['month'] = pd.order_dt.map(lambda x: x.month)
# #提取day
# data['day'] = pd.order_dt.map(lambda x: x.day)

data.head()
#data = data.drop(data[data.order_amount==0].index,axis=0)

数据分析

1.用户维度分析

2.订单维度分析

3.时间维度分析

4.用户的消费行为分析

回购率、复购率、客户分层分析、客户质量分析、客户的生命周期、客户的留存率

用户维度分析

user_product = data.groupby('user_id').sum()
user_product.describe()

1.可以看到每位用户的平均购买商品数量为7件左右，最大值为1033件，该客户应该属于狂热客户

2.每位用户的平均消费金额和75分位数很接近，最大消费金额为13990左右，肯定存在少量高消费客户

用户散点图

user = pd.pivot_table(data,values=['product_num','order_amount'],index='user_id',aggfunc='sum')
user.head()
plt.scatter('product_num','order_amount',data=user)
plt.xlabel('用户商品数量')
plt.ylabel('用户的消费金额')

用户消费行为比较健康而且规律性很强。

因为这是CD网站的销售数据，商品单一，金额和商品量的关系也因此呈线性，没几个离群点

消费能力特别强的客户有但是量很少

plt.figure(figsize=(13,4))
plt.subplot(121)
sns.distplot(user.order_amount)
plt.title('用户订单金额的频次图')
plt.subplot(122)
sns.distplot(user.product_num)
plt.title('用户订单数量的频次图')

从直方图可以看到，大部分用户的消费能力确实不高，高消费用户在图上几乎看不到。这也确实符合消费行为的行业规律

订单维度分析

绘制每笔订单的散点图

plt.figure(figsize=(13,4))
plt.scatter('product_num','order_amount',data=data)
plt.xlabel('商品数量')
plt.ylabel('订单金额')
plt.title('商品数量与订单金额的关系（每笔订单）')