內容概述

本項目內容主要是基于Python的“百貨商場用戶畫像描述與價值分析”，里面有詳細的數據預處理、數據可視化和數據建模等步驟。同時，針對傳統(tǒng)RFM模型進行了改進，構造了LRFMP模型來分析客戶價值，挖掘客戶價值的八個字段，并通過WordCloud形式展現了出來，可以對會員用戶進行精準畫像。

數據說明

數據集分為兩部分，.xlsx結尾的是會員信息表，.csv結尾的是銷售流水表。其中，會員信息表共有將近19萬條記錄，銷售流水表共有接近189萬條記錄。

兩個表包含了如會員卡號，消費產生時間，性別，出生時間，商品編碼，銷售數量，商品售價，消費金額，商品名稱，此次消費的會員積分，收銀機號，單據號，柜組編碼，柜組名稱，等級時間等 15 個特征。

• L（入會程度）：3個月以下為新用戶，4-12個月為中等用戶，13個月以上為老用戶
• R（最近購買的時間）
• F（消費頻次）：次數20次以上的為高頻消費，6-19次為中頻消費，5次以下為低頻消費
• M（消費金額）：10萬以上為高等消費，1萬-10萬為中等消費，1萬以下為低等消費
• P（消費積分）：10萬以上為高等積分用戶，1萬-10萬為中等積分用戶，1萬以下為低等積分用戶

技術點

• 數據預處理：包括去重去缺失值、異常值處理、變量重編碼和時間序列數據處理方式等；
• 數據可視化：餅圖、柱狀圖、折線圖、雷達圖和復合圖等繪制方式等；
• 特征創(chuàng)造和數據建模：從海量連續(xù)數據中創(chuàng)造出性別、消費偏好、入會程度、最近購買的時間、消費頻次、消費金額、消費積分等類別數據，建模部分主要通過標準化和歸一化數據來對比KMeans聚類的輪廓系數結果。

主要內容

4 會員用戶畫像和特征字段創(chuàng)造

4.1 構建會員用戶基本特征標簽

說明積分這一列沒有存在異常值

查看登記時間和消費產生的時間是否存在異常值，即大于2018-01-03

篩掉兩列異常時間的數據

說明單個會員有多條消費記錄數

可以先篩選每位會員，然后依據各個字段對進行運算，求出對應的LRFMP

自定義一個函數來實現兩列數據時間相減

開始登記的時間 和 最后一次消費的時間

調用函數

會員消費的總次數：
會員消費的總金額：
會員的積分總數：

創(chuàng)造一列特征字段“消費時間偏好”（凌晨、上午、中午、下午、晚上）

會員消費的時間偏好，在多項記錄中取眾數

會員性別

開始構建對應的特征標簽

構建會員用戶業(yè)務特征標簽

取DataFrame之后轉置取values得到一個列表，再繪制對應的詞云，可以自定義一個繪制詞云的函數，輸入參數為df和會員卡號

查看數據的基本特征

描述性統(tǒng)計

開始對數據進行分組

保存數據

4.2 會員用戶詞云分析

開始繪制用戶詞云，封裝成一個函數來直接顯示詞云

隨機查找一個會員來繪制用戶畫像

5 會員用戶細分和營銷方案制定

5.1 會員用戶的聚類分析及可視化

先對數據進行標準化處理

對數據進行聚類

構造一個繪制聚類可視化效果雷達圖的函數

從上面可以看出，標準化后的數據聚類效果相較于歸一化的更好，且從輪廓系數和聚類雷達圖也可以看出，聚類數最佳為2。因此，下面我們使用聚類數為2的標準化數據進行聚類，得到兩類客戶的LRFMP均值數據，以此來判斷兩者之間的差異

5.2 對會員用戶進行精細劃分并分析不同群體帶來的價值差異

以聚類數為2貼上對應的標簽

統(tǒng)計一下兩類用戶之間的差異，發(fā)現兩類客戶之間數量相差過大

用均值來計算兩類樣本之間的LRFMP

從上面可以看出，標簽為1的客戶消費頻次、消費金額和消費積分均遠大于標簽為0的客戶，且這類客戶所占的比例僅有2.3%，可以將其定義為“重要保持會員”。標簽為0的客戶所占比例為97.7%，其會員登記時間跟標簽為1的比較接近，但最近一次消費時間較標簽1的還要長，可以將其定義為“一般發(fā)展會員”

---

更多詳細內容可看