怎样用户数据(浅析用户数据的几大思维)
通过具体的项目案例，学习面对数据和业务问题，如何去展开分析。
下面是社群会员的作业，通过给出项目的修改意见，通过本项目提高你的分析思维。
一.数据介绍
该数据集是由 Machine Learning Repository 在基于一个英国电商公司从2010年月12号到2011年9月12号的真实的交易数据集进行改造的。 该电商主要销售的商品是各类礼品， 主要客户是来自不同国家的的分销商。
数据来源： kaggle
数据集大小：4198764*8
数据集字段含义： InvoiceNo(发票号码)， StockCode(货物代码)，Description(货物描述)， Quantity(数量)， InvoiceDate(发票日期)， UnitePrice(单价)， CustomerID(客户账号)，Country(客户所在国家)
通过下面步骤来分析该数据集：
二. 提出问题
根据对数据的初步了解发现数据主要包括用户类数据和产品类数据。
用户类数据包括用户ID ，用户的所在国家，用户的购买次数（订单数），用户的购买时间，用户购买量。
产品类数据主要包括产品ID， 产品的描述， 产品的单价。
根据思维导图提出以下问题：
1.客户可以进行那些分类？哪些客户最具价值？ 哪些客户最值得挽留？
2.客户分布在哪些国家？客户最多的国家？客户主要分布区域？
3.客户在哪时间段比较活跃？
4.top 10 畅销产品有哪些？ 季节的变化是否对产品的销售有影响？那个季度或者月份的销售额最好？
5.最畅销产品单价分布区域？
三.清洗数据
1.选择子集
只选择对数据分析有意义的字段，无意义的字段进行暂时隐藏。通过观察发现每一个产品都有独特的StockCode(货物代码)， 可以将该列进行隐藏。
2.列名重命名
下载的数据列名是英文，为了方便分析，将列名更改成大众所熟悉的中文名称。
3.删除重复值
根据唯一的列来删除重复值，5226个重复值被删除
4.缺失值处理和异常值处理
零值和负值：在单价列中，我发现存在15879 行0值和负值，不符合数据销售逻辑。 通过对货物描述的查看， 发现大部分的单价为0的记录是对有缺陷货物的处理或者是礼品。 此类数据对所提出问题的分析无用，所以进行删除。
在数量列中， 发现有9288 个记录是负值， 发票号由首字母和数字组成，推测此类记录为退货记录. 决定此类数据进行单独存储。
空值： 通过filter 功能发现， 客户ID缺失的客户主要集中在UK，France, HongKong , Israel, Bahrain, Portugal, Swithzerland, Eire 和不确定国家。查看数据集发现，客户缺失数集的同一商品的单位价格高于有客户账号的价格， 在这里推测无账户进行的交易为零售交易。所以我将这一部分的数据移除出另外的表中。
5.一致化处理
1）货号
通过过滤货号发现， 总共由三个列别组成， 纯数字类， 数字加字母类别，纯字母类。
通过查看描述发现：纯数字类为不同的商品，数字加字母类为同种类商品的不同颜色或者形状，纯字母类为邮寄费或者银行费用等。所以，纯字母类别的数据与我们研究的问题无关，可以删除。并将数字类货号转化成文本形式。
2）发票号
发票号不需要进行计算直接转换成文本格式。选中发票号全列，右击编辑格式，选择文本格式。
6.补充必要数列
计算公司的季度以及月度销售额，所以需要增加每张发票每个商品的合计额。 通过插入函数，计算数量和单价的合计。并双击单元格右下角，运用到全列。
三.构建模型
数据清洗完以后，就可以根据前面提出的问题和分析思路来分析了。
1、客户可以进行那些分类？哪些客户最具价值？ 哪些客户最值得挽留？
回答这个问题需要使用RFM模型对所有的客户进行客户价值分类。RFM模型：
R（Recency）：是指最近一次消费
F（Frequency）：是指消费频率
M（Monetary）：是指消费金额
首先计算出R值，F值和M值。 客户最近一次购买产品距离2011 年12月9号的天数，此时间段购买的次数 ， 以及单个客户的购买总额。 其次，再对各个值进行标准化。
其次，再设置R、F、M值的参考值。 在此次分析中我选择了平均值为参考值。 然后， 将标准化的的R、F、M值与其参考值进行比较， 大于为1，小于为0. 最后，对客户价值进行分类。
客户价值分类，模型按 (2*2*2) 分为以下标准的8类。
通过对数据按照上面所说方式建模得出以下模型：
【作业点评】选择哪个图表的判断标准是能不能一眼看的懂这张图形的含义。这里图表选择条形图不对，因为很难一下子区别出来。因为这里图表是对RFM模型可视化，像这种存在前后转换关系的，如果用条形图不排序，就很难区分出来。但是如果排序的话，就会打乱前后转换关系前后顺序。单一对比，用条形图和柱形图都没事，如果涉及前后转化关系，条形图就不合适了。这里更适合的是三维象限图，如果你会做的，是更好的。如果不会坐，也可以选择用柱形图。
通过上面图表可以看出，该电商缺乏有价值的客人。重要价值客户， 交易金额大， 交易频繁且最近交易的客人只占27位， 占比0.62%。
重要唤回，挽留和深耕客户占比很低，总占比不到1%； 而一般维持客户却占比百分之30.41%，此类客人虽然交易次数较多但是贡献不大。
由此说明该电商缺乏交易累积金额较高的客户。但值得庆幸的是， 该电商吸引新客户的能力较强且具备比较大的潜力客户的基础。新客户占总比百分之38.55%， 潜力客户占总比百分之15.38%。
通过对模型的分析，我建议该电商可以针对不同的客户群体进行针对性市场调研，根据调研结果的市场营销活动。
例如：对重要价值，唤回，挽留和深耕客户，需要提升公司的服务质量和产品质量 以及价格优势等，刺激其购买冲动，增加客户忠诚度。对于一般维持客户和潜力客户， 通过市场促销手段提升客户的交易额度，让其转化为重要客户。 对于流失的客户，需要进行回访，找到其流失原因。
【作业点评】这块的建议数据支撑在哪里？你提到了市场营销活动，但是没从数据上看到哪里体现出了市场营销活动出问题了。客户占比，是怎么得出他们的占比是不好的？是和谁对比得出的结果？
2.客户分布在哪些国家？客户最多的国家？客户主要分布区域？
通过对客户的分布创建地图，
从图表中可以看出，该电商的客户主要分布在西欧和北美等发达国家。 其中客户主要以英国客户为主， 客户数为3943，占比90.37%。
为了分析除了本土（英国）以外，其他国家客户的占比，我把英国的客户除去，得到其他国家客户占比：
由上图看出该电商的大部分客户除了在英国本土外， 其余大部分集主要集中在西欧。
所以，我建议，在维持好英国本土市场的同时，可以适当开发欧洲市场，特别是西欧市场。
通过对各国销售的对比发现，该电商的主要客户位于英国本土，国际客人占比很少。 但是欧洲市场是一个很大的市场，目标客户群体更大。且 英国的地理位置也方便该电商在欧洲的推广。
欧洲市场与英国市场基本由相同的消费习惯， 开发阻力较小，比较容易成。 例如，通过市场推广搜索，参加小礼品的交易展览，专业推广平台，提升该公司的国外市场特别的知名度。
【作业点评】这两个占比那么高的原因是为什么呢？需要进一步拉取数据来进行分析背后的原因。
3.客户在哪时间段比较活跃？
将客户的的发票个数根据不同时间段分析用户的活跃度
假定该问题以订单数的多少了衡量成交量。以小时为单位对时间进行分组，发现客户的成交时间主要位于英国的06到20 点 。 订单量从九点这个时间开始大量增加，一直到12点的时间段达到顶峰。成交量最多的是十点到下午两点期间。
根据此图表给出的建议是，提高网站在11点到下午三点之间的网络流量，准备充足的的客服人员来应对每日浏览高峰期。这个时间段必须要保证网页的浏览顺畅以及客服的服务质量。
【作业点评】这里的逻辑不对。用户活跃与客服有什么关系？客服处理的是售后问题，而不是流量问题。
4.top 10 畅销产品有哪些？ 季节的变化是否对产品的销售有影响？那个季度或者月份的销售额最好
根据营业额分布情况来看，最好的季度是2011年的第三季度，占总比29.1%。 最好的三个月份是9、10和11月，这三个月销售额占总销售额的36%。 这是因为，西方的重大节日基本集中在十一月底到一月初。 通常大家会提前准备节日礼物，所以经销商们会提前准备好礼物。
另外从销售最好的产品分布来看。图形的大小代表销售数量的多少， 颜色的深浅代表销售额的多少。 销售数量最多的产品是84077，85099B，22197，84077和84879， 销售额最多的产品是22423，85123A，47566, 85099B，和84879。
看到了总的销售情况以后我想分析一下，季节变化对产品销售情况是否有影响：
从分布情况看出， 产品85099B的季节变化对其影响相对较底， 它在每个季度都销售的很好。而在第一季度第二季度， 85123A的销售量相对较高。第三季度， 除了85099B 以外销售最好的产品是84879 和22197. 而在第四季度， 销售量和销售利润最好的是23084.
从上面的图表， 建议该公司八月中下旬开始提高库存和加强市场推广来应对随之到来的销售旺季，以满足客户需求提高客户的满意度。另外， 该公司每个季度应该具有针对性的在网站推广和促销其热门产品， 以吸引用户购买。
5.最畅销产品单价分布区域？
将产品的单价与数量建立模型，得出以下图表：
从上图可以看出，价格为1.65的产品最受欢迎。 该电商的目标客户为低端客户， 购买的产品主要位于0.5-5英镑之间。 由此我建议，增加1-3英镑产品的多样性，有利于增加客户的消费额度， 同时也能吸引更加多的目标客户。
以上就是怎样用户数据 （浅析用户数据的几大思维）的相关内容了，更多精彩内容请关注科猫号SEO专员！
