电商用户RFM分析（平均值计算中心点）

原始数据集

python代码

使用jupyter notebook编辑

import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
data = pd.read_excel(r'E:\a业务\数据中台\电商案例\下载源数据\order.xlsx')
data.info()
data.sample(10)

运行结果：

观察可知，仅chanelID列存在缺失值，说明有人是未经过渠道推荐直接进到平台上下单的。该缺失值不影响分析结果，故暂不作处理。购买渠道存在无意义空格，对其进行去除：

data['platfromType'] = [i.replace(' ','') for i in data['platfromType']]

从订单付款时间里提取出日期，方便后续对销售额进行计算：

data['payDate'] = data['payTime'].dt.date
data['payDate'] = pd.to_datetime(data['payDate'])

# 同时增加“天数”列，用于后续辅助计算“R”指标
data['days'] = (pd.to_datetime('today') - data['payDate']).dt.days  

1.销量分析

所有交易都是以最终获利来进行计算的，因此考虑到退款情况的前提下，对目前已有的订单按照订单支付时间为分组条件，对买家实际支付金额进行求和。由于数据时间跨度较大，故以月为单位进行统计

data_not_chargeback = data[data.chargeback=='否']
df = data_not_chargeback.groupby(pd.Grouper(key='payDate',freq='M'))['payment'].sum()   
x =[f'{y}年{m}月' for y,m in zip(df.index.year, df.index.month)] 
plt.figure(figsize=(16,9),dpi=160)
plt.plot(range(len(x)), df)
plt.text(0,df.max(),f'总销售额情况为{round(df.sum(),2)}元',fontsize=20)
plt.xticks(range(len(x)), x, rotation=45)
for x,y in zip(range(len(x)),df.values):
     plt.text(x, y+7000,int(y),ha='center')   #给数据点添加标签
plt.ylabel('销售额')
plt.xlabel('时间')
plt.title('销售额每月走势',fontsize=25)
plt.show()

从“销售额每月走势”图可得出以下几个信息：

1. 在2019-01-01至2020-05-28这段时间，销售最高额出现在“双十一”活动所在月——11月，销售额达1064万，占2019年度销售总额的10.08%
2. 19年1月至2月出现大幅度下降，到了3月开始迅速上升，5月冲上小高峰，随后一直处于高峰时期，到10月份有一定回落，随后双11双12所在月迎来全年高峰时刻，进入2020年后则由于疫情影响，迅速跌入谷底并持续低迷，直至5月份仅434元销售额

# 根据商品类别进行销量统计，找出实际交易卖的最好的前十种商品
hot_10 = pd.DataFrame({
    '销量':data['payment'].value_counts(),
    '实际成交销量':data_not_chargeback['payment'].value_counts()
}).sort_values(by='销量', ascending=False)
hot_10['总销量占比(%)'] = hot_10['销量'].apply(lambda x : round((x/hot_10['销量'].sum())*100,2))
hot_10['实际销售额'] = data_not_chargeback.groupby(by='orderAmount')['payment'].sum()
hot_10['销售额占比(%)']=hot_10['实际销售额'].apply(lambda x : round((x/hot_10['实际销售额'].sum())*100,2))
print(f'{"-"*20}热卖前10{"-"*20}')
print(hot_10.head(10))

# 根据购买渠道进行销量统计
saleChannel = data_not_chargeback.groupby(pd.Grouper(key='platfromType'))['payment'].sum() 
x_ = list(saleChannel.index)
plt.figure(figsize=(16,9),dpi=160)
plt.bar(range(len(x_)), height=saleChannel, width=0.5)
plt.xticks(range(len(x_)), x_, rotation=45)
for x,y in zip(range(len(x_)),saleChannel.values):
     plt.text(x, y+8000,int(y),ha='center')   #给数据点添加标签
plt.ylabel('销售额')
plt.xlabel('购买渠道')
plt.title('各购买渠道销售情况',fontsize=25)
plt.show()

从上图可以看出：用户主要是通过WechatMP微信公众号平台和APP进行购买的，其次是网页版，再次是阿里平台，微信商店和wap是最低 现查看chargeback字段值的分布数量：

import seaborn as sns
print(data['chargeback'].value_counts())
sns.countplot(x='chargeback', data=data)

# 转换率
from pyecharts.charts import Funnel
from pyecharts import options as opts

# 本数据集里的客户都存在支付购买行为，但在支付完成后又存在部分退款行为，因此，chargeback字段的值为“否”时才说明本次交易实际成交
rates = pd.Series({
    '创建':data['orderTime'].count(),
    '付款':data['payTime'].count(),
    '实际成交':data[data.chargeback=='否'].shape[0]
},name='订单量').to_frame()  

# 绝对转化率=各环节订单数/订单创建数
rates['整体转化率'] = rates['订单量'].apply(lambda x: round(x*100/rates.iloc[0,0],3))
print(rates)

c=(
    Funnel() 
    .add(
        '转化率',  
        [list(z) for z in zip(rates.index,rates['整体转化率'])],   
        # 设置标签位置及数据展现形式
        label_opts=opts.LabelOpts(position='inside',formatter='{b}:{c}')
    )  # 填充漏斗图内容
    .set_global_opts(title_opts=opts.TitleOpts(title='整体转化率（%）'))
)
c.render_notebook()  

从“整体转换率”可以看出：用户的整体转换率还是较高的，实际成交转化率达86.82%，需要继续保持 小结：双十一双十二的活动非常有效，后续可以利用更多节假日所在月，复制双十一双十二的促销活动，增加销售额；再针对性的对网页版和阿里平台进行店铺优化设计和渠道推广，同时借鉴WechatMP微信公众号平台和APP这两个购买渠道之所以受到用户欢迎的要点——可针对性的对这几个购买渠道做埋点以及用户行为路径分析、页面评估

2.用户购买次数分析

# 绘制用户购买次数分布频次图
user_buy_time = data[data.chargeback=='否'].groupby('userID').count()['goodsID']
plt.hist(x=user_buy_time, bins=10, range=[0,100])
plt.xlabel('buy_time')
plt.ylabel('user_num')
plt.title('user_buy_time')

# 人均购买次数
total_buy_time = data[data.chargeback=='否'].count()['userID']
total_paying_user_num = data[data.chargeback=='否'].nunique()['userID']
user_avg_buy_time = total_buy_time/total_paying_user_num
user_avg_buy_time

# 复购率   = 购买次数在2次及以上的人数/有购买行为的人数
user_buy_time = data[data.chargeback=='否'].groupby('userID').count()
user_twice_time = user_buy_time[user_buy_time['goodsID']>2].count()['goodsID']
user_buy = data[data.chargeback=='否'].nunique()['userID']
rebuy_rate = user_twice_time/user_buy
rebuy_rate

观察结果：

从用户购买次数分布频次图可看出，凡是成功完成本次交易（支付成功且未退款）的用户，均存在10次以内的交易频率；而用户人均购买次数为1次，复购率仅3.93%

小结：

综合以上结果来看，该电商平台基本上都为一次性交易的买卖，付费用户的复购率很低，需要想办法培养一批忠实用户；结合用户购买次数频次图来看，该平台所有付费用户都只存在10次以内的交易频率，需要大力挖掘这批客户的购买力，针对性的推出营销挽回方案

3.使用RFM模型进行用户价值分类

1） 计算RFM三个指标

# 建立数据透视表，计算RFM三个指标
df2 = data_not_chargeback.pivot_table(index="userID",
                    values=["orderID", "days", "payment"],
                    aggfunc={"orderID":"count", "days":"min", "payment":"sum"})
df2 = df2[['days', 'orderID', 'payment']]
df2.columns = ['R', 'F', 'M']
df2.reset_index()
df2.head(10)

2）打用户标签

# 给RFM三个指标分别打分
avg_r = df2['R'].mean()
avg_f = df2['F'].mean()
avg_m = df2['M'].mean()
 
df2['R_score'] = [0 if i>avg_r else 1 for i in df2['R']]
df2['F_score'] = [1 if i>avg_f else 0 for i in df2['F']]
df2['M_score'] = [1 if i>avg_m else 0 for i in df2['M']]

# 给用户打标签
def functions(x):
    if x.iloc[0]==1 and x.iloc[1]==1 and x.iloc[2]==1:
        return "重要价值客户"
    elif x.iloc[0]==1 and x.iloc[1]==1 and x.iloc[2]==0:
        return "潜力客户"
    elif x.iloc[0]==1 and x.iloc[1]==0 and x.iloc[2]==1:
        return "重要深耕客户"
    elif x.iloc[0]==1 and x.iloc[1]==0 and x.iloc[2]==0:
        return "新客户"
    elif x.iloc[0]==0 and x.iloc[1]==1 and x.iloc[2]==1:
        return "重要唤回客户"
    elif x.iloc[0]==0 and x.iloc[1]==1 and x.iloc[2]==0:
        return "一般客户"
    elif x.iloc[0]==0 and x.iloc[1]==0 and x.iloc[2]==1:
        return "重要挽回客户"
    elif x.iloc[0]==0 and x.iloc[1]==0 and x.iloc[2]==0:
        return "流失客户"
    
df2['标签'] = df2[['R_score', 'F_score', 'M_score']].apply(functions,axis=1)
df2.sample(10)
# df2.to_csv(r'E:\a业务\数据中台\电商案例\下载源数据\user_rfm.csv')

# 绘制不同类型客户人数对比图
import numpy as np
df3 = df2.groupby("标签").agg({"标签":"count"})
df3['不同客户的占比'] = df3["标签"].apply(lambda x:x/np.sum(df3["标签"]))  
df3.index.name = '客户标签'
df3 = df3.sort_values(by="标签", ascending=True)
plt.figure(figsize=(6,4), dpi=100)
x = df3.index
y = df3['标签']
plt.barh(x, height=0.5, width=y, align='center')
plt.title('不同类型客户的人数对比')
for x,y in enumerate(y):
    plt.text(y+450, x, y, va='center', fontsize=14)    
plt.xticks(np.arange(0,30001,2000), rotation=45)

plt.tight_layout()

# 绘制不同类型客户累计消费金额
df3 = df2.groupby("标签").agg({"M":"sum"})
df3["M"] = df3["M"].apply(lambda x:round(x))
df3["不同客户的占比"] = df3["M"].apply(lambda x:x/np.sum(df3["M"]))
df3 = df3.sort_values(by="M",ascending=True)
plt.figure(figsize=(6,4),dpi=100)
x = df3.index
y = df3["M"]
plt.barh(x,height=0.5,width=y,align="center")
plt.title("不同类型客户累计消费金额")
for x,y in enumerate(y):
    plt.text(y+500,x,y,va="center",fontsize=14)

plt.tight_layout()

重点价值用户是最重要的群体，但数量在总客户群体中占比较少，只有7163人，而平台流失客户占比较大，应考虑自身产品的定位以及可以适当发送调查问卷的形式对于流失客户进行流失分析。同时新客户也有一个较大的占比，应该做好新客户引导和服务，争取将新客户转换为更具有价值的重要价值客户。 针对以上客户群体，分别提出针对性的运营建议：

• 重要价值用户：对其投入耕作资源，提供vip服务、个性化服务，保持其黏性的同时又继续引导其消费
• 潜力客户：这类客户需要对其深入挖掘，对其销售一些价值更高的产品，并要求其评论，根据评论内容找出其诉求和痛点，吸引他们
• 重要深耕用户：给其不定时发送促销活动提醒和优惠券活动等
• 新用户：组织社群活动，在群内不定时提供小样免费试用或抽奖活动，以及拉新进群达到一定数量即可获取大额优惠券等，提高用户兴趣，创建品牌知名度
• 重要换回用户：精准营销，根据用户画像等为用户提供其可能会关注或感兴趣的商品，通过续关店铺或出产更新更吸引人的产品赢回他们
• 一般用户：可以采用每日店铺打卡获取积分，积分可兑换热门产品小样或店铺内抽奖，让其持续不断关注到店铺
• 重要挽回用户：重点回访，针对性提问用户不再购买的可能性原因，并在此基础上重新向客户营销，如回答服务态度方面，安抚；如回答产品质量方面，则回答已改进，请重新试用并寄去小样等
• 流失客户：尝试恢复其兴趣，并多联系客户进行调研，找出客户流失的主要原因。

不是原创，内容和代码来自于简书：电商数据分析（RFM） - 简书 (jianshu.com)
原始数据集可以自己在和鲸社区下载：数据集 - Heywhale.com