本案例主要用于学习RFM模型，同时加深对数据分析流程的理解和python数据分析相关的coding能力。 其中涉及到：

• python匿名函数 lambda
• matplotlib和pyecharts基础绘图及美化
• pandas模块的数据透视表pivot_table函数、分类groupby函数、分段cut函数

---

• 1.1 每月退货率

• 2.1 利用RFM模型对用户群进行细分

  • 用户分类（RFM模型），是网点衡量当前用户价值和客户潜在价值的重要工具和手段。对比分析不同用户群体在时间、地区等维度下交易量，交易金额指标，并根据分析结果提出优化建议
    • R(recent): 最近一次消费时间（最近一次消费到参考时间的长度）
    • F(frequency): 消费频次（单位时间消费了多少次）
    • M(money): 消费金额（单位时间内总消费金额）

---

---

3.1 缺失处理

3.2 重复值

3.3 异常分析

---

4.1 退货率

4.1.1 2011年每月退货率

4.1.2 2011年月平均退货率

4.1.3 可视化

4.2 用户分级（RFM模型）

4.1.1 计算R,F,M

4.2.2 观察R,F,M的数据分布

---

4.2.3 对R,F,M分段（给予权重）

4339 rows × 3 columns

4.2.4 分级标准

4339 rows × 6 columns

4339 rows × 7 columns

4.2.5 确认分级

4339 rows × 8 columns

4.2.6 用户分级结果及可视化

---

1. 1月和12月退货率高于月平均退货率的原因： 根据第一篇实战数据分析知道影响总销量最大的是英国，同时其他也大都是西方国家，1月1日是他们的新年 以及12月25日是圣诞节，购物量大幅增加的同时也导致了退货量的增加。

2. 对于不同等级用户采取针对且有效的营销措施：

   非营销专业不知从何说起

       以上就是本篇文章【实战2-电商平台零售数据分析】的全部内容了，欢迎阅览 ！ 文章地址：http://fswenzheng.xhstdz.com/quote/64109.html 
        栏目首页      相关文章      动态      同类文章      热门文章      网站地图      返回首页 物流园资讯移动站 http://fswenzheng.xhstdz.com/mobile/ , 查看更多