1、项目背景

以英国的在线电子零售公司的跨国交易数据集作为分析样本，通过对该公司的运营指标统计分析以及构建RMF模型、K-Means机器学习算法从大量的电子零售交易数据中分析并找出价值用户，针对价值用户提供以消费者为中心的智能商业模式。

2、数据详情

2.1 数据来源

数据集来自一个在英国注册的在线电子零售公司，其中包含2010年12月1日到2011年12月9日期间发生的网络交易数据。

2.2 数据量

数据集总共有541909条数据，8个字段

2.3 数据理解

字段名	含义
InvoiceNo	发票编号。为每笔订单唯一分配的6位整数。若以字母’C’开头，则表示该订单被取消。
StockCode	产品代码。为每个产品唯一分配的编码。
Description	产品描述。
Quantity	数量。每笔订单中各产品分别的数量。
InvoiceDate	发票日期和时间。每笔订单发生的日期和时间。
UnitPrice	单价。单位产品价格，单位为英镑。
CustomerID	客户编号。为每个客户唯一分配的5位整数。
Country	国家。客户所在国家/地区的名称

3、数据清洗

3.1 准备工作

# 导入库
import pandas as pd
import numpy as np
import datetime as dt# 数据可视化库
import matplotlib.pyplot as plt%matplotlib inline
#更改设计风格
plt.style.use('seaborn')
plt.rcParams['font.sans-serif'] = ['SimHei']#(显示中文）
plt.rcParams['axes.unicode_minus'] = False#(显示负数）
import seaborn as sns# 机器学习算法库
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeansimport  warnings
warnings.filterwarnings("ignore")

#导入数据
salesOR = pd.read_csv('Online Retail.csv')

#查看数据
salesOR.head()

	InvoiceNo	StockCode	Description	Quantity	InvoiceDate	UnitPrice	CustomerID	Country
0	536365	85123A	WHITE HANGING HEART T-LIGHT HOLDER	6	2010/12/1 8:26	2.55	17850.0	United Kingdom
1	536365	71053	WHITE METAL LANTERN	6	2010/12/1 8:26	3.39	17850.0	United Kingdom
2	536365	84406B	CREAM CUPID HEARTS COAT HANGER	8	2010/12/1 8:26	2.75	17850.0	United Kingdom
3	536365	84029G	KNITTED UNION FLAG HOT WATER BOTTLE	6	2010/12/1 8:26	3.39	17850.0	United Kingdom
4	536365	84029E	RED WOOLLY HOTTIE WHITE HEART.	6	2010/12/1 8:26	3.39	17850.0	United Kingdom

查看数据信息

salesOR.shape

(541909, 8)

salesOR.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 541909 entries, 0 to 541908
Data columns (total 8 columns):#   Column       Non-Null Count   Dtype
---  ------       --------------   -----  0   InvoiceNo    541909 non-null  object 1   StockCode    541909 non-null  object 2   Description  540455 non-null  object 3   Quantity     541909 non-null  int64  4   InvoiceDate  541909 non-null  object 5   UnitPrice    541909 non-null  float646   CustomerID   406829 non-null  float647   Country      541909 non-null  object
dtypes: float64(2), int64(1), object(5)
memory usage: 33.1+ MB

3.2 删除重复值

salesOR_NoDup=salesOR.drop_duplicates(subset=['InvoiceNo','StockCode','Description','Quantity','InvoiceDate','UnitPrice','CustomerID','Country'])
dup=salesOR.shape[0]-salesOR_NoDup.shape[0]
print('duplicates =',dup)

duplicates = 5268

共删除了5268条重复数据

3.3 缺失值处理

查看数据缺失情况

tab_info=pd.DataFrame(salesOR.dtypes).T.rename(index={0:'特征类型'})
tab_info=tab_info.append(pd.DataFrame(salesOR.isnull().sum()).T.rename(index={0:'缺失值数量'}))
tab_info=tab_info.append(pd.DataFrame(salesOR.isnull().sum()/salesOR.shape[0]).T.rename(index={0:'缺失值占比'}))
display(tab_info)

	InvoiceNo	StockCode	Description	Quantity	InvoiceDate	UnitPrice	CustomerID	Country
特征类型	object	object	object	int64	object	float64	float64	object
缺失值数量	0	0	1454	0	0	0	135080	0
缺失值占比	0.0	0.0	0.002683	0.0	0.0	0.0	0.249267	0.0

从上表可以看出，有近25％的条目未分配给特定客户。在现有的数据下，不可能为用户估算出数值，因此这些条目对目前的工作没有用处。所以应当从数据框中删除它们。

#删除InvoiceNo和CustomerID字段中的缺失数据
salesOR_NoDupNA=salesOR_NoDup.dropna(subset=['InvoiceNo','CustomerID'],how='any')
missing=salesOR_NoDup.shape[0]-salesOR_NoDupNA.shape[0]
print('missings =',missing)

missings = 135037

共删除InvoiceNo 和 CustomerID字段缺失的数据135037条

3.4 数据一致化处理

将字符串类型数据转化为数值类型

salesOR_NoDupNA['Quantity']=salesOR_NoDupNA['Quantity'].astype('float')
salesOR_NoDupNA['UnitPrice']=salesOR_NoDupNA['UnitPrice'].astype('float')
salesOR_NoDupNA['CustomerID']=salesOR_NoDupNA['CustomerID'].astype('object')
print('Data type after changing:\n',salesOR_NoDupNA.dtypes)

Data type after changing:InvoiceNo       object
StockCode       object
Description     object
Quantity       float64
InvoiceDate     object
UnitPrice      float64
CustomerID      object
Country         object
dtype: object

将字符串类型数据转化为日期类型

#将InvoiceDate数据转换成日期的数据类型，如果不符合日期的格式，转换后的值为空值
salesOR_NoDupNA['InvoiceDate']=pd.to_datetime(salesOR_NoDupNA['InvoiceDate'], errors='coerce')

#分离出年、月、日、星期几方便之后分析
#这样得到的数据依旧是一个整形数据
salesOR_NoDupNA['Year'] = salesOR_NoDupNA['InvoiceDate'].dt.year
salesOR_NoDupNA['Month'] = salesOR_NoDupNA['InvoiceDate'].dt.month
salesOR_NoDupNA['Date'] = salesOR_NoDupNA['InvoiceDate'].dt.date
salesOR_NoDupNA['weekday'] = salesOR_NoDupNA['InvoiceDate'].dt.weekday
salesOR_NoDupNA.head()

	InvoiceNo	StockCode	Description	Quantity	InvoiceDate	UnitPrice	CustomerID	Country	Year	Month	Date	weekday
0	536365	85123A	WHITE HANGING HEART T-LIGHT HOLDER	6.0	2010-12-01 08:26:00	2.55	17850.0	United Kingdom	2010	12	2010-12-01	2
1	536365	71053	WHITE METAL LANTERN	6.0	2010-12-01 08:26:00	3.39	17850.0	United Kingdom	2010	12	2010-12-01	2
2	536365	84406B	CREAM CUPID HEARTS COAT HANGER	8.0	2010-12-01 08:26:00	2.75	17850.0	United Kingdom	2010	12	2010-12-01	2
3	536365	84029G	KNITTED UNION FLAG HOT WATER BOTTLE	6.0	2010-12-01 08:26:00	3.39	17850.0	United Kingdom	2010	12	2010-12-01	2
4	536365	84029E	RED WOOLLY HOTTIE WHITE HEART.	6.0	2010-12-01 08:26:00	3.39	17850.0	United Kingdom	2010	12	2010-12-01	2

数据转换过程中不符合日期格式的会转换为空值，需要再进行一次删除缺失值处理。

#转换日期过程中不符合日期格式的数值会被转换为空值，
#这里删除InvoiceDate,InvoiceTime,CustomerID,InvoiceNo中为空的行
salesOR_NoDupNA=salesOR_NoDupNA.dropna(subset=['InvoiceNo','CustomerID','InvoiceDate'],how='any')

3.5 异常值处理

#利用描述性指标(describe)查看是否有异常值。
salesOR_NoDupNA[['Quantity','UnitPrice']].describe()

	Quantity	UnitPrice
count	401604.000000	401604.000000
mean	12.183273	3.474064
std	250.283037	69.764035
min	-80995.000000	0.000000
25%	2.000000	1.250000
50%	5.000000	1.950000
75%	12.000000	3.750000
max	80995.000000	38970.000000

描述指标中购买产品的数量最小值为-8095，单品单价为0，这两个不符合实际情况确认为异常值。

querySer=salesOR_NoDupNA.loc[:,'Quantity']>0
salesOR_NoDupNA=salesOR_NoDupNA.loc[querySer,:]
querySer1=salesOR_NoDupNA.loc[:,'UnitPrice']>0
salesOR_NoDupNA=salesOR_NoDupNA.loc[querySer1,:]
print('after delete outlier:',salesOR_NoDupNA.shape)

after delete outlier: (392692, 12)

经过两次条件判断之后数据集大小为（392692，10），为了检查处理后的结果，再次检查描述指标：

salesOR_NoDupNA[['Quantity','UnitPrice']].describe()

	Quantity	UnitPrice
count	392692.000000	392692.000000
mean	13.119702	3.125914
std	180.492832	22.241836
min	1.000000	0.001000
25%	2.000000	1.250000
50%	6.000000	1.950000
75%	12.000000	3.750000
max	80995.000000	8142.750000

原数据集的时期是2010-12-1到2011-12-09，2011年12月数据不满一个月，为了方便分析和讨论本次分析选择数据时间为：2010-12-01到2011-11-30，12个月。

querySer2=salesOR_NoDupNA.loc[:,'InvoiceDate']<'2011-12-01'
salesOR_NoDupNA=salesOR_NoDupNA.loc[querySer2,:]
print('删除2011-11-30之后的数据:',salesOR_NoDupNA.shape)

删除2011-11-30之后的数据: (375666, 12)

4、运营指标统计分析

4.1 月追踪：月销售量、月销售额、月均销售额

4.11 月销售量

#因为每月交易 = 总唯一交易数，又因为相同的InvoiceNo包含不同的产品，所以需要计算唯一的InvoiceNo
transUni=salesOR_NoDupNA.drop_duplicates(subset=['InvoiceNo'])
monthly_trans=transUni.groupby(['Year','Month'])['InvoiceNo'].count()
print('月销售量 :\n',monthly_trans)

月销售量 :Year  Month
2010  12       1400
2011  1         9872         9973        13214        11495        15556        13937        13318        12809        175510       192911       2657
Name: InvoiceNo, dtype: int64

#绘制月销售量条形图
fig,ax = plt.subplots(figsize=(8,3))
monthly_trans.plot(kind='bar')
plt.xlabel('月份')
plt.ylabel('销售量')
plt.title('月销售量')
plt.show()

计算结果显示2011年9月、10月、11月的销售单数稳步增长，2011年11月达到最高值2657单，怀疑平台年末促销或者换季用户大量购买冬季产品导致，可以通过查询销售额占比最高的产品确认。

4.12 月销售额

#新增列Amount = Quantity * UnitPrice
salesOR_NoDupNA['Amount']=salesOR_NoDupNA.Quantity*salesOR_NoDupNA.UnitPrice
monthly_sales=salesOR_NoDupNA.groupby(['Year','Month'])['Amount'].sum()
print('月销售额:\n',monthly_sales)

月销售额:Year  Month
2010  12        570422.730
2011  1         568101.3102         446084.9203         594081.7604         468374.3315         677355.1506         660046.0507         598962.9018         644051.0409         950690.20210       1035642.45011       1156205.610
Name: Amount, dtype: float64

fig,ax = plt.subplots(figsize=(8,4))
monthly_sales.plot(kind='bar')
plt.xlabel('月份')
plt.ylabel('销售额')
plt.title('月销售额')
plt.show()

在销售额方面，2011年9月、10月、11月的销售额明显高于其他月份，虽然11月的总销售单数比10月要高出近(2657-1929)/1929100%≈38%但是11月的总销售额却只比10月高出(1156205.610-1035642.450)/1035642.450100%≈11.6%，初步评价2011年10月的销售情况最佳，可以重点看看10月份的销售活动。

4.13 月均销售额

monthSales=salesOR_NoDupNA.groupby(['Year','Month'])['Amount'].sum()
avg_monthSales=round(monthSales.sum()/12,2)
print('月均销售额:',avg_monthSales)

月均销售额: 697501.54

计算得出月均销售额为697501.54英镑，2011年9、10、11月远超平均值。

4.2 周追踪：周销售量、周销售额、周均销售额

4.21 周销售量

transUni=salesOR_NoDupNA.drop_duplicates(subset=['InvoiceNo'])
weekly_trans=transUni.groupby(['weekday'])['InvoiceNo'].count()
print('周销售量:\n',weekly_trans)

周销售量:weekday
0    2747
1    3074
2    3351
3    3801
4    2674
6    2107
Name: InvoiceNo, dtype: int64

发现没有数字5，查找源数据集里是否不包含5的星期数。真的没有5，查看原始数据以及对应的星期数，5代表星期六。

fig,ax = plt.subplots(figsize=(8,3))
x = ['周一', '周二','周三','周四','周五','周日']
y = weekly_trans
plt.plot(x,y)
plt.xlabel('星期')
plt.ylabel('周销售量')
plt.show()

此处计算的是在一年观察时间段内，每个星期天数的累计订单数。星期四的订单数是最多的，怀疑有公司（周末不上班）在该电商平台购买用品和礼品。这里要特别提醒上面的结果是一年里面每一个星期的累计单数，数据集没有星期六的销售订单，需要跟电商公司确认。

4.22 周销售额

weeklySales=salesOR_NoDupNA.groupby(['weekday'])['Amount'].sum()
print('周销售额:\n',weeklySales)

周销售额:weekday
0    1305523.311
1    1651744.141
2    1515053.230
3    1878214.400
4    1254225.051
6     765258.321
Name: Amount, dtype: float64

fig,ax = plt.subplots(figsize=(8,4))
x = ['周一', '周二','周三','周四','周五','周日']
y = weeklySales
plt.plot(x,y)
plt.xlabel('星期')
plt.ylabel('周销售额')
plt.show()

跟销售量相吻合，累计周销售量在星期四达到峰值，临近周末回落，高度怀疑该电商平台出售的产品不是针对普通家庭消费者，因为周末是消费的低谷跟实际情况不符。

4.23 周均销售额

avg_weeklySales=round(weeklySales.sum()/52,2)
print('周均销售额:',avg_weeklySales)

周均销售额: 160961.89

计算结果为160961.89欧元，这是每周平均销售额，给运营者提供一个参考，可以初步评价每一星期的销售情况，是高于还是低于平均值。

4.3 效率指标：客单价、件单价、连带率、退货金额

4.31 客单价

total_Sales=salesOR_NoDupNA.Amount.sum()
total_customer=salesOR_NoDupNA.drop_duplicates(subset=['CustomerID']).shape[0]
#Sales per customer
sales_perCustomer=round(total_Sales/total_customer,2)
print('客单价=',sales_perCustomer)

客单价= 1947.87

客单价=总的销售额/总的客户数，计算结果客单价为1947.87欧元，也即一年里面每个消费者平均贡献了1947.87欧元。

4.32 件单价

total_product=salesOR_NoDupNA.Quantity.sum()
#Sales per item
sale_perItem=round(total_Sales/total_product,2)
print('件单价=',sale_perItem)

件单价= 1.72

件单价=销售总额/售出产品总数量，计算结果为每件产品的平均价格为1.72欧元。

4.33 连带率

total_transUni=transUni.shape[0]
joint_Rate=round(total_product/total_transUni,2)
print('连带率=',joint_Rate)

连带率= 274.04

连带率=售出的产品总数/总的交易单数，计算结果连带率=274.04，在分析的一年时间段里，每一笔交易售出的平均产品总数为274件，这里怀疑有大量采购的用户。

4.34 每月新客占比

grouped_user =salesOR_NoDupNA.groupby(['CustomerID'])
user_life = grouped_user['InvoiceDate'].agg(['min','max'])
user_life.head(10)

	min	max
CustomerID
12346.0	2011-01-18 10:01:00	2011-01-18 10:01:00
12347.0	2010-12-07 14:57:00	2011-10-31 12:25:00
12348.0	2010-12-16 19:09:00	2011-09-25 13:13:00
12349.0	2011-11-21 09:51:00	2011-11-21 09:51:00
12350.0	2011-02-02 16:01:00	2011-02-02 16:01:00
12352.0	2011-02-16 12:33:00	2011-11-03 14:37:00
12353.0	2011-05-19 17:47:00	2011-05-19 17:47:00
12354.0	2011-04-21 13:11:00	2011-04-21 13:11:00
12355.0	2011-05-09 13:49:00	2011-05-09 13:49:00
12356.0	2011-01-18 09:50:00	2011-11-17 08:40:00

(user_life['min'] == user_life['max']).value_counts()

False    2757
True     1540
dtype: int64

可以算出2757/(2757+1540)≈64%的顾客都在此购买了不止一次

salesOR_NoDupNA['month'] = salesOR_NoDupNA.InvoiceDate.values.astype('datetime64[M]')
#按月份和用户ID分组
grouped_month_user = salesOR_NoDupNA.groupby(['month','CustomerID'])#将 当月用户订单日期最小值 与 用户订单日期最小值 联结
tmp = grouped_month_user.InvoiceDate.agg(['min']).join(grouped_user.InvoiceDate.min())# 判断用户当月订单日期最小值是否与用户订单日期最小值相等，新建字段new,new代表新客户
tmp['new'] = (tmp['min'] == tmp.InvoiceDate)# 重置索引列,并按月分组,作新客占比折线图
tmp.reset_index().groupby('month').new.apply(lambda x: x.sum()/x.count()).plot()
plt.title("新客占比折线图")
plt.xlim('2010-12','2011-11')
plt.show()

可以看出从去年12月到今年8月，每月新客数都在急剧下降。

4.35 复购率

复购率：即当月内，购买多次的用户占比

#用户每个月的消费次数
pivoted_counts=salesOR_NoDupNA.pivot_table(index='CustomerID',columns='month',values='InvoiceDate',aggfunc='count').fillna(0)
pivoted_counts.head()

month	2010-12-01	2011-01-01	2011-02-01	2011-03-01	2011-04-01	2011-05-01	2011-06-01	2011-07-01	2011-08-01	2011-09-01	2011-10-01	2011-11-01
CustomerID
12346.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
12347.0	31.0	29.0	0.0	0.0	24.0	0.0	18.0	0.0	22.0	0.0	47.0	0.0
12348.0	17.0	6.0	0.0	0.0	5.0	0.0	0.0	0.0	0.0	3.0	0.0	0.0
12349.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	73.0
12350.0	0.0	0.0	17.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0

#用户每个月的消费次数
pivoted_counts=salesOR_NoDupNA.pivot_table(index='CustomerID',columns='month',values='InvoiceNo',aggfunc='nunique').fillna(0)
pivoted_counts.head()

month	2010-12-01	2011-01-01	2011-02-01	2011-03-01	2011-04-01	2011-05-01	2011-06-01	2011-07-01	2011-08-01	2011-09-01	2011-10-01	2011-11-01
CustomerID
12346.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0
12347.0	1.0	1.0	0.0	0.0	1.0	0.0	1.0	0.0	1.0	0.0	1.0	0.0
12348.0	1.0	1.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	1.0	0.0	0.0
12349.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	1.0
12350.0	0.0	0.0	1.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0	0.0

# applymap() 如果消费超过1次则赋值为1 若等于1则赋值为0  若无消费则赋值为空
purchase_r = pivoted_counts.applymap(lambda x: 1 if x > 1 else np.NaN if x == 0 else 0)
purchase_r.head()

month	2010-12-01	2011-01-01	2011-02-01	2011-03-01	2011-04-01	2011-05-01	2011-06-01	2011-07-01	2011-08-01	2011-09-01	2011-10-01	2011-11-01
CustomerID
12346.0	NaN	0.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
12347.0	0.0	0.0	NaN	NaN	0.0	NaN	0.0	NaN	0.0	NaN	0.0	NaN
12348.0	0.0	0.0	NaN	NaN	0.0	NaN	NaN	NaN	NaN	0.0	NaN	NaN
12349.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	0.0
12350.0	NaN	NaN	0.0	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

#  复购率= sum()复购人数 / 总消费人数count()
(purchase_r.sum() / purchase_r.count()).plot(figsize = (10,4))plt.title('2010年12月至2011年11月公司复购率变化趋势图')
plt.xlim('2010-12','2011-11')
plt.show()

复购率在20%-30%之间波动。

4.36 退货金额

在原数据集说明中，订单号如果以字母c开头表示该订单为取消订单，所以在这里想看看退货的情况。

querySer3=salesOR_NoDupNA.loc[:,'InvoiceNo'].str.startswith('c')
querySer3.unique()

array([False])

结果显示：array([False])，该数据集中并没有包含取消的订单，所以本次分析没能够涉及这一块。

5、构建RFM模型

5.1RFM指标计算

5.11 R - Recency

Recency在这里定义为用户最后一次购物距离现在有多少个月。

#First_purchase:第一次购买日期
#Last_purchase:最后一次购买日期
Last_purchase=salesOR_NoDupNA.groupby(['CustomerID']).Date.max()
First_purchase=salesOR_NoDupNA.groupby(['CustomerID']).Date.min()
Last_purchase.head()

CustomerID
12346.0    2011-01-18
12347.0    2011-10-31
12348.0    2011-09-25
12349.0    2011-11-21
12350.0    2011-02-02
Name: Date, dtype: object

先计算出最后一次购买时间距离最后一天的天数，然后再计算月分数。

#最后一次购买时间距离最后一天的天数
Max_date=salesOR_NoDupNA.Date.max()+dt.timedelta(days=1)
Recency_days=Last_purchase.map(lambda x:(x-Max_date).days)
#最后一次购买时间距离最后一天的月数
Recency_months=Recency_days.map(lambda x:round((-1*x)/30,1))
Recency_months.head()

CustomerID
12346.0    10.6
12347.0     1.0
12348.0     2.2
12349.0     0.3
12350.0    10.1
Name: Date, dtype: float64

为了了解数据集的情况，查看一下描述统计指标。

Recency_months.describe()

count    4297.000000
mean        3.049244
std         3.285932
min         0.000000
25%         0.500000
50%         1.700000
75%         4.900000
max        12.200000
Name: Date, dtype: float64

再切片看看分布情况。

bins1=[0,1,2,3,4,5,6,7,8,9,10,11,12,13]
pd.cut(Recency_months,bins1).value_counts()

(0, 1]      1606
(1, 2]       708
(2, 3]       445
(3, 4]       228
(4, 5]       194
(5, 6]       186
(6, 7]       180
(8, 9]       156
(7, 8]       140
(9, 10]      123
(10, 11]     115
(11, 12]      81
(12, 13]      43
Name: Date, dtype: int64

大概有37.7%的客户在一个月之内有购物行为，再绘制条形图更加直观的观察数据。

pd.cut(Recency_months,bins1).value_counts().plot.bar(rot=20)

<AxesSubplot:>

分布总体来说比较理想，可以利用以客户为中心的商业理念来提高[1, 2]以及[2, 3]，即1～2个月，2～3个月之内有购物行为的用户。

5.12 F- Frequency

Frequency在这里定义为购物频率，也即在分析的一年里面，用户总购买次数。

#Freq_purchase:购物频率(多久购买一次)
Unique_purchase=salesOR_NoDupNA.drop_duplicates(subset=['InvoiceNo'])
Freq_purchase=Unique_purchase.groupby(['CustomerID']).InvoiceNo.count()
Freq_purchase.head()

CustomerID
12346.0    1
12347.0    6
12348.0    4
12349.0    1
12350.0    1
Name: InvoiceNo, dtype: int64

描述统计指标：

Freq_purchase.describe()

count    4297.000000
mean        4.131720
std         7.412705
min         1.000000
25%         1.000000
50%         2.000000
75%         4.000000
max       200.000000
Name: InvoiceNo, dtype: float64

购买的频率差异很大，最小为1次，最大为200次，切片看数据分布情况。

bins2=[1,20,40,60,80,100,120,140,160,180,200]
pd.cut(Freq_purchase,bins2).value_counts()

(1, 20]       2673
(20, 40]        65
(40, 60]        12
(80, 100]        4
(60, 80]         2
(180, 200]       2
(100, 120]       1
(120, 140]       0
(140, 160]       0
(160, 180]       0
Name: InvoiceNo, dtype: int64

大部分用户在一年的时间里购买次数在1～20次以内，比较符合实际情况。这里要注意有些离散的数值，比如一年里面消费100～120次的用户有1位用户，180～200次的用户有2位，后续的分析会针对这些离散值做特殊处理。

pd.cut(Freq_purchase,bins2).value_counts().plot.bar(rot=20)

<AxesSubplot:>

5.13 M - Monetary

Monetary定义为用户在一年之内所花总金额

#Money_purchase：消费金额
Money_purchase=salesOR_NoDupNA.groupby(['CustomerID']).Amount.sum()
Money_purchase.head()

CustomerID
12346.0    77183.60
12347.0     4085.18
12348.0     1797.24
12349.0     1757.55
12350.0      334.40
Name: Amount, dtype: float64

描述统计指标：

Money_purchase.describe()

count      4297.000000
mean       1947.874902
std        8351.696003
min           2.900000
25%         303.160000
50%         650.750000
75%        1594.230000
max      268478.000000
Name: Amount, dtype: float64

每个用户的消费总金额差异很大，最小值位2.9欧元，最大值位268478欧元。

再通过切片看数据分布：

bins3=[2.5,10,50,100,1000,10000,100000,200000,300000]
pd.cut(Money_purchase,bins3).value_counts()

(100.0, 1000.0]         2518
(1000.0, 10000.0]       1520
(50.0, 100.0]            119
(10000.0, 100000.0]       94
(10.0, 50.0]              36
(2.5, 10.0]                4
(100000.0, 200000.0]       4
(200000.0, 300000.0]       2
Name: Amount, dtype: int64

pd.cut(Money_purchase,bins3).value_counts().plot.bar(rot=20)

<AxesSubplot:>

跟购物频率F一样，购买金额也存在一些离散值，后续分析中会特别处理。

综合上面的计算，RFM的三个指标的数据区间范围分别是：

R [0.0, 12.1]

F [1.0, 200.0]

M [2.9, 268478.0]

5.2 利用RFM模型挖掘价值用户

5.21 建立RFM矩阵，并给列名重命名。

#计算RFM指标
rfm=salesOR_NoDupNA.groupby(['CustomerID']).agg({'Date':lambda x:(Max_date-x.max()).days,'InvoiceNo':'count','Amount':'sum'})
#列重命名
rfm.rename(columns={'Date':'Recency','InvoiceNo':'Frequency','Amount':'Monetary'},inplace=True)
rfm.head()

	Recency	Frequency	Monetary
CustomerID
12346.0	317	1	77183.60
12347.0	31	171	4085.18
12348.0	67	31	1797.24
12349.0	10	73	1757.55
12350.0	302	17	334.40

RFM数据概览

sns.pairplot(rfm)

<seaborn.axisgrid.PairGrid at 0x1401bb40550>

单独抽出RFM直方图观看

plt.figure(1,figsize=(12,6))
n=0
for x in ['Frequency','Recency','Monetary']:n+=1plt.subplot(1,3,n)plt.subplots_adjust(hspace=0.5,wspace=0.5)sns.distplot(rfm[x],bins=30)plt.title('{} 直方图'.format(x))
plt.show()

可以看出购买商品的客户绝大多数是进行少量多次购买的客户

5.22 建立用户评分机制

计算用于划分客户的阙值，R、F、M的均值（通过分布直方图可以发现该份数据不适合用中位数来分层，因此这里用均值做分层）

rfm[['Recency','Frequency','Monetary']].apply(lambda x:x-x.mean())

	Recency	Frequency	Monetary
CustomerID
12346.0	225.518501	-86.42518	75235.725098
12347.0	-60.481499	83.57482	2137.305098
12348.0	-24.481499	-56.42518	-150.634902
12349.0	-81.481499	-14.42518	-190.324902
12350.0	210.518501	-70.42518	-1613.474902
...	...	...	...
18280.0	177.518501	-77.42518	-1767.274902
18281.0	80.518501	-80.42518	-1867.054902
18282.0	26.518501	-80.42518	-1847.664902
18283.0	-90.481499	583.57482	-110.344902
18287.0	-57.481499	-17.42518	-110.594902

4297 rows × 3 columns

创建label分析

def rfm_func(x):level = x.apply(lambda x : '1' if x>=0 else '0')label = level.Recency + level.Frequency + level.Monetaryd = {'111':'重要价值客户','011':'重要保持客户','101':'重要挽留客户','001':'重要发展客户','110':'一般价值客户','010':'一般保持客户','100':'一般挽留客户','000':'一般发展客户'}result = d[label]return resultrfm['label'] = rfm[['Recency','Frequency','Monetary']].apply(lambda x:x- x.mean()).apply(rfm_func,axis = 1)
rfm.head(10)

	Recency	Frequency	Monetary	label
CustomerID
12346.0	317	1	77183.60	重要挽留客户
12347.0	31	171	4085.18	重要保持客户
12348.0	67	31	1797.24	一般发展客户
12349.0	10	73	1757.55	一般发展客户
12350.0	302	17	334.40	一般挽留客户
12352.0	28	85	2506.04	重要发展客户
12353.0	196	4	89.00	一般挽留客户
12354.0	224	58	1079.40	一般挽留客户
12355.0	206	13	459.40	一般挽留客户
12356.0	14	59	2811.43	重要发展客户

查看不同类型顾客的总数

plt.figure(1,figsize=(12,7))
sns.countplot(y="label",order=rfm['label'].value_counts().index ,data=rfm,palette='Blues')
plt.title('不同类型的客户总数',fontsize=20)
plt.xlabel('')
plt.ylabel('')con=list(rfm.groupby('label').label.count().values)
con=sorted(con,reverse=True)for x,y in enumerate(con):plt.text(y+0.1,x,'%s' %y,va='center',size=12)
plt.show()

各个类型顾客收入

rfm.groupby('label').sum()

	Recency	Frequency	Monetary
label
一般价值客户	12324	9034	75783.730
一般保持客户	9907	56246	449782.530
一般发展客户	59739	57494	1051071.043
一般挽留客户	281214	31068	555079.770
重要价值客户	5738	5936	111406.171
重要保持客户	14553	207779	5279155.540
重要发展客户	3852	6719	584836.050
重要挽留客户	5769	1390	262903.620

plt.figure(figsize=(24,12))
#不同类型的客户销售份额
plt.subplot(1,2,1)
plt.axis('equal')labels=rfm.groupby('label').Monetary.sum().index
explode=[0,0,0,0,0,0.1,0,0]plt.pie(rfm.groupby('label').Monetary.sum(),explode=explode,labels=labels,radius=1,autopct='%.2f%%')
plt.title('不同类型的客户销售份额',fontsize=20)#不同类型的客户数量分布
plt.subplot(1,2,2)
plt.axis('equal')
plt.pie(rfm.groupby('label').count()['Monetary'],autopct='%.2f%%',labels = labels,pctdistance=0.9,explode=explode,radius=1)
plt.title("不同类型的客户数量分布")
plt.show()

rfm.query("label=='重要保持客户'")['Recency'].describe()

count    687.000000
mean      21.183406
std       20.123775
min        1.000000
25%        7.000000
50%       14.000000
75%       30.000000
max       91.000000
Name: Recency, dtype: float64

5.3 利用K-Means算法挖掘价值用户

5.31 对数变换

rfm_k=rfm[['Recency','Frequency','Monetary']]
#unskew the data with log transformation
rfm_log=rfm[['Recency','Frequency','Monetary']].apply(np.log,axis=1).round(3)

为方便查看，把三个标签的直方图画在一起。

#绘制RFM值的分布
f,ax=plt.subplots(figsize=(10,12))
plt.subplot(3,1,1);sns.distplot(rfm_log.Recency,label='Recency')
plt.subplot(3,1,2);sns.distplot(rfm_log.Frequency,label='Frequency')
plt.subplot(3,1,3);sns.distplot(rfm_log.Monetary,label='Monetary')
plt.show()

5.32 标准化

对数变换之后是标准化，使用公式：Z=(X-μ)/σ 可以使用scikit-learn里面preprocessing下面的StandardScaler实现标准化转换。

#使用StandardScaler对变量进行归一化
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
scaler.fit(rfm_log)
#单独存储用于聚类
rfm_normalized=scaler.transform(rfm_log)

5.33 选择适合的聚类数目

选择聚类数目的方法有好几种，这里采用的是Elbow Criterion method。

ks = range(1,8)
inertias=[]for k in ks:kc = KMeans(n_clusters=k, random_state=1)kc.fit(rfm_normalized)inertias.append(kc.inertia_)#样本到它们最近的聚类中心的平方距离的总和

把计算的1-8个聚类数目情况画在一起，寻找Elbow弯点。

f,ax = plt.subplots(figsize=(10,6))
plt.plot(ks,inertias,'-o')
plt.xlabel('Number of clusters,k')
plt.ylabel('Inertia')
plt.title('KMeans 的弯点是多少？')
plt.show()

选择cluster_k=3进行分组聚类计算。

# clustering
kc=KMeans(n_clusters=3,random_state=1)
kc.fit(rfm_normalized)# 在原始DataFrame中创建一个簇标签列
cluster_labels = kc.labels_# 计算每个集群的平均 RFM 值和大小
rfm_k3=rfm_k.assign(k_cluster=cluster_labels)
rfm_k3.groupby('k_cluster').agg({'Recency':'mean','Frequency':'mean','Monetary':['mean','count']}).round(0)

	Recency	Frequency	Monetary
	mean	mean	mean	count
k_cluster
0	174.0	15.0	290.0	1464
1	67.0	58.0	1057.0	1818
2	17.0	245.0	5935.0	1015

通过对比RFM模型得出这里的三个聚类0，1，2最具有价值的用户群是k_cluster = 2这个类别的用户。利用K-Means算法把用户进行分类，从而挖掘出价值用户，得出分析的最终结果。

rfm_k3.head()

	Recency	Frequency	Monetary	k_cluster
CustomerID
12346.0	317	1	77183.60	1
12347.0	31	171	4085.18	2
12348.0	67	31	1797.24	1
12349.0	10	73	1757.55	2
12350.0	302	17	334.40	0

找到k_cluster=2的价值用户，对价值用户的购物行为进行针对性分析，比如消费习惯（购物时段）、喜欢购买的商品种类、购物种类的关联性（喜欢一起购买的产品）等等，这样就可以给价值用户提供个性化的消费方案，针对价值用户提供以消费者为中心的智能商业模式。

6、价值用户挖掘结果

6.1 用户画像

用户已经进行分组，接下来看看不同类型用户的消费行为特征。

 #cov=方差系数
def cov(x):return np.std(x)/np.mean(x)rfm.groupby('label').agg({'Recency':['mean','std',cov],'Frequency':['mean','std',cov],'Monetary':['mean','std',cov]}).round(1)

	Recency			Frequency			Monetary
	mean	std	cov	mean	std	cov	mean	std	cov
label
一般价值客户	171.2	65.7	0.4	125.5	40.8	0.3	1052.6	482.3	0.5
一般保持客户	25.9	21.3	0.8	146.9	70.6	0.5	1174.4	470.2	0.4
一般发展客户	36.1	24.7	0.7	34.7	22.7	0.7	634.3	446.5	0.7
一般挽留客户	215.2	78.7	0.4	23.8	19.7	0.8	424.7	357.8	0.8
重要价值客户	163.9	71.1	0.4	169.6	86.5	0.5	3183.0	1713.0	0.5
重要保持客户	21.2	20.1	0.9	302.4	465.7	1.5	7684.4	19262.5	2.5
重要发展客户	31.1	26.2	0.8	54.2	25.0	0.5	4716.4	6711.4	1.4
重要挽留客户	180.3	71.3	0.4	43.4	31.6	0.7	8215.7	15891.9	1.9

通过建立RFM模型及评分方法分组得出的结果显示，重要保持客户用户最近一次消费的平均值是21.2天，平均频率是302.4次，平均花费是7684.4英镑。

 #cov=方差系数
def cov(x):return np.std(x)/np.mean(x)rfm_k3_sta=rfm_k3.groupby('k_cluster').agg({'Recency':['mean','std',cov],'Frequency':['mean','std',cov],'Monetary':['mean','std',cov]}).round(1)
rfm_k3_sta

	Recency			Frequency			Monetary
	mean	std	cov	mean	std	cov	mean	std	cov
k_cluster
0	173.9	106.5	0.6	14.6	11.1	0.8	290.3	269.5	0.9
1	67.0	66.7	1.0	58.3	39.6	0.7	1056.7	2384.9	2.3
2	16.5	18.8	1.1	244.6	395.6	1.6	5934.8	16245.4	2.7

上面结果是使用K-Means方法得出的结果，价值用户最近一次消费的平均值是16.5 天，平均频率是244.6次，平均花费是5934.8英镑，结果比使用评分方法要更好一些。

6.2 价值用户对销售额的贡献

# 对不同的用户分组和进行K-means的客户数量统计
customer_num=rfm_k3.groupby('k_cluster').agg({'Recency':['count']})
#饼图
fig=plt.figure(figsize=(6,9))
test=[1815,1462,1020]
labels = [u'cluster0',u'cluster1',u'cluster2']
colors=['red','yellow','green']
patches,text1,text2 = plt.pie(test,labels=labels,colors=colors,autopct = '%3.2f%%',labeldistance = 1.2,shadow=False,startangle=90,pctdistance = 0.6)
plt.axis('equal')
plt.legend()
plt.title('各用户分组占比情况 %')
plt.show()

上图是用户分组的情况，按照价值贡献情况排名分别是cluster2, cluster0, cluster1，价值用户cluster2占比23.74%。下面看看不同用户分组对销售额的贡献情况。

# 使用 K-means 进行不同客用户分组和相关销售
customer_sales=rfm_k3.groupby('k_cluster').agg({'Monetary':['sum']})
# pie figure
fig=plt.figure(figsize=(6,9))
test=[1911297.113,424054.261,6034667.080]
labels = [u'cluster0',u'cluster1',u'cluster2']
colors=['red','yellow','green']
patches,text1,text2 = plt.pie(test,labels=labels,colors=colors,autopct = '%3.2f%%',labeldistance = 1.2,shadow=False,startangle=90,pctdistance = 0.6)
plt.axis('equal')
plt.legend()
plt.title('各用户分组对销售额占比情况 %')
plt.show()

价值用户cluster2占比只有23.74%却贡献了72.10%的销售额，是业务的重点发展对象。

7、总结

本项目利用Python语言对电子零售数据进行了数据分析和挖掘，计算分析主要有两个方面：（1）运营指标统计分析；（2）使用了两种方法RFM模型以及K-Means机器学习算法挖掘价值用户。

（1）通过运营指标统计分析，了解了该电子商务公司的整体运营情况，计算了月销售数量、月销售总额、月均销售额、周销售量、周销售总额、周均销售额、客单价、件单价、连带率，月新客占比，复购率通过这些指标了解到该电子商务公司月销售单数、月销售额在2011年的9月、10月以及11月有明显的增长，周销售额在星期四达到最高值，有64%的顾客购买了两次及以上的商品，相对来说该公司的销售额是较依赖回头客的模式。占总体客户15.99%的重要保持客户，贡献了63.07%的总销售额。。

（2）为了挖掘价值用户，使用了两种方法，第一个方法是利用RFM模型对用户进行评分分组，第二个方法是利用K-Means算法对用户进行“机器学习”分组，两种方法都挖掘出价值用户，比较两种方法得出的用户画像结果，RMF模型中重要保持客户占总体客户15.99%，贡献了63.07%的总销售额，K-Means方法得出的结果更好一些，最终挖掘出的价值用户占比23.74%却贡献了72.10%的销售额。

确定价值用户之后可以进一步学习价值用户的消费习惯，从而提供以消费者为中心的智能商业模式，根据实际应用情况进行多次迭代来优化价值用户挖掘的模型。

电商零售交易数据分析相关推荐

基于MySQL的电商零售订单数据分析
目录 1.提出问题 1.1.电子零售商面对的挑战和问题 1.2.本次分析的业务问题及适用指标 2.理解数据 2.1. 数据来源 2.2.本次分析选取的数据样本 2.3.字段含义 3.数据清洗/处理 3 ...
通过一个简单的电商零售数据集，了解数据分析流程
目录数据分析流程 1.数据分析真实项目流程 2.数据分析方法 3.零售消费数据数据集介绍 4.分析内容明确分析的目的案例分析实战 1理解数据 2数据清洗 3数据分析和可视化 1.购买商品前十的国 ...
简要讨论python对于1688的关键字搜索、商品详情在电商运营大数据分析、电商选品、竞品分析上的帮助
目录 1688商品详情简要描述 1688商品详情请求URL 请求方式参数关键信息淘宝天猫以及1688.京东.拼多多平台不断地在改变人们的消费习惯,人们从传统购物模式不断走向线上模式,作为电商行业 ...
电商实时交易风控系统
1.课程名称电商实时交易风控系统 2.课程目标 1.了解电子商务交易的风险点 2.了解电子商务交易中风险点的处理策略 3.利用Storm技术开发基于规则判定的风控系统 4.掌握企业中风控系统的一般架 ...
电商运营：数据分析的5大思维和8个指标
最近看到后台留言,发现很多刚入行电商的朋友不会处理数据,今天达妹来详细讲解一下,希望对你有所帮助. 数据分析的五大思维方式. 首先,我们要知道,什么叫数据分析.其实从数据到信息的这个过程,就是数据分析 ...
010_电商实时交易风控系统_第5天(行业知识、需求分析、架构设计、代码开发) ---没用...
1.课程名称电商实时交易风控系统 2.课程目标 1.了解电子商务交易的风险点 2.了解电子商务交易中风险点的处理策略 3.利用Storm技术开发基于规则判定的风控系统 4.掌握企业中风控系统的一般架 ...
大数据入门第一课 Hadoop基础知识与电商网站日志数据分析
大数据入门第一课 Hadoop基础知识与电商网站日志数据分析本课程从Hadoop核心技术入手,以电商项目为依托,带领你从0基础开始上手,逐步掌握大数据核心技术(如:HDFS.YARN.MapRedu ...
大数据分析实战之项目实践：使用DLI Flink SQL进行电商实时业务数据分析
使用 DLI Flink SQL 进行电商实时业务数据分析业务场景介绍场景描述场景方案场景任务数据说明数据源表:电商业务订单详情宽表结果表:各渠道的销售总额实时统计表操作过程实操过程 ...
CnOpenData电商平台交易数据数据
一.数据简介电子商务是网络化的新型经济活动,是推动"互联网+"发展的重要力量,是新经济的主要组成部分.通过电商平台获取的电商交易平台数据可以及时统计.监测数据,全方位跟踪分析 ...

电商零售交易数据分析

1、项目背景

2、数据详情

2.1 数据来源

2.2 数据量

2.3 数据理解

3、数据清洗

3.1 准备工作

查看数据信息

3.2 删除重复值

共删除了5268条重复数据

3.3 缺失值处理

查看数据缺失情况

从上表可以看出，有近25％的条目未分配给特定客户。在现有的数据下，不可能为用户估算出数值，因此这些条目对目前的工作没有用处。所以应当从数据框中删除它们。

共删除InvoiceNo 和 CustomerID字段缺失的数据135037条

3.4 数据一致化处理

将字符串类型数据转化为数值类型

将字符串类型数据转化为日期类型

数据转换过程中不符合日期格式的会转换为空值，需要再进行一次删除缺失值处理。

3.5 异常值处理

描述指标中购买产品的数量最小值为-8095，单品单价为0，这两个不符合实际情况确认为异常值。

经过两次条件判断之后数据集大小为（392692，10），为了检查处理后的结果，再次检查描述指标：

原数据集的时期是2010-12-1到2011-12-09，2011年12月数据不满一个月，为了方便分析和讨论本次分析选择数据时间为：2010-12-01到2011-11-30，12个月。

4、运营指标统计分析

4.1 月追踪：月销售量、月销售额、月均销售额

4.11 月销售量

计算结果显示2011年9月、10月、11月的销售单数稳步增长，2011年11月达到最高值2657单，怀疑平台年末促销或者换季用户大量购买冬季产品导致，可以通过查询销售额占比最高的产品确认。

4.12 月销售额

4.13 月均销售额

计算得出月均销售额为697501.54英镑，2011年9、10、11月远超平均值。

4.2 周追踪：周销售量、周销售额、周均销售额

4.21 周销售量

发现没有数字5，查找源数据集里是否不包含5的星期数。 真的没有5，查看原始数据以及对应的星期数，5代表星期六。

4.22 周销售额

跟销售量相吻合，累计周销售量在星期四达到峰值，临近周末回落，高度怀疑该电商平台出售的产品不是针对普通家庭消费者，因为周末是消费的低谷跟实际情况不符。

4.23 周均销售额

计算结果为160961.89欧元，这是每周平均销售额，给运营者提供一个参考，可以初步评价每一星期的销售情况，是高于还是低于平均值。

4.3 效率指标：客单价、件单价、连带率、退货金额

4.31 客单价

客单价=总的销售额/总的客户数，计算结果客单价为1947.87欧元，也即一年里面每个消费者平均贡献了1947.87欧元。

4.32 件单价

件单价=销售总额/售出产品总数量，计算结果为每件产品的平均价格为1.72欧元。

4.33 连带率

连带率=售出的产品总数/总的交易单数，计算结果连带率=274.04，在分析的一年时间段里，每一笔交易售出的平均产品总数为274件，这里怀疑有大量采购的用户。

4.34 每月新客占比

可以算出2757/(2757+1540)≈64%的顾客都在此购买了不止一次

4.35 复购率

复购率：即当月内，购买多次的用户占比

复购率在20%-30%之间波动。

4.36 退货金额

在原数据集说明中，订单号如果以字母c开头表示该订单为取消订单，所以在这里想看看退货的情况。

结果显示：array([False])，该数据集中并没有包含取消的订单，所以本次分析没能够涉及这一块。

5、构建RFM模型

5.1RFM指标计算

5.11 R - Recency

Recency在这里定义为用户最后一次购物距离现在有多少个月。

先计算出最后一次购买时间距离最后一天的天数，然后再计算月分数。

为了了解数据集的情况，查看一下描述统计指标。

再切片看看分布情况。

大概有37.7%的客户在一个月之内有购物行为，再绘制条形图更加直观的观察数据。

分布总体来说比较理想，可以利用以客户为中心的商业理念来提高[1, 2]以及[2, 3]，即1～2个月，2～3个月之内有购物行为的用户。

5.12 F- Frequency

Frequency在这里定义为购物频率，也即在分析的一年里面，用户总购买次数。

描述统计指标：

购买的频率差异很大，最小为1次，最大为200次，切片看数据分布情况。

大部分用户在一年的时间里购买次数在1～20次以内，比较符合实际情况。这里要注意有些离散的数值，比如一年里面消费100～120次的用户有1位用户，180～200次的用户有2位，后续的分析会针对这些离散值做特殊处理。

5.13 M - Monetary

Monetary定义为用户在一年之内所花总金额

描述统计指标：

每个用户的消费总金额差异很大，最小值位2.9欧元，最大值位268478欧元。

再通过切片看数据分布：

跟购物频率F一样，购买金额也存在一些离散值，后续分析中会特别处理。

综合上面的计算，RFM的三个指标的数据区间范围分别是：

5.2 利用RFM模型挖掘价值用户

5.21 建立RFM矩阵，并给列名重命名。

RFM数据概览

单独抽出RFM直方图观看

可以看出购买商品的客户绝大多数是进行少量多次购买的客户

5.22 建立用户评分机制

计算用于划分客户的阙值，R、F、M的均值（通过分布直方图可以发现该份数据不适合用中位数来分层，因此这里用均值做分层）

发现没有数字5，查找源数据集里是否不包含5的星期数。真的没有5，查看原始数据以及对应的星期数，5代表星期六。