用实战玩转pandas数据分析（一）——用户消费行为分析（python）

  CD商品订单数据的分析总结。根据订单数据（用户的消费记录），从时间维度和用户维度，分析该网站用户的消费行为。通过此案例，总结订单数据的一些共性，能通过用户的消费记录挖掘出对业务有用的信息。对其他产品的线上消费数据分析有一定的借鉴价值，能达到举一反三的效果。

订单交易数据分析

目录

• 一、案例背景
• 二、案例目的
• 三、分析框架
  • imageimage
• 四、分析过程
  • 4.1数据加载和初探
  • 4.2消费概况分析
    • 4.2.1时间维度分析消费情况（按月）
    • 4.2.2用户维度分析消费情况
      • 4.2.2.1个体消费分析
      • 4.2.2.2 用户消费行为分析
  • 4.3用户分层分析
    • 4.3.1FRM模型对用户分层
    • 4.3.2根据消费状态对用户分层
  • 4.4用户生命周期分析
  • 4.5用户留存分析
  • 4.5用户购买周期分析
  • 4.6复购率和回购率分析
• 五、案例总结

---

一、案例背景

  CDNOW是一家美国在线零售商，主营商品为CD唱片，ToC业务。1998年上市，2000年被贝塔斯曼收购。网上有一份用户订单消费数据集：CDNOW订单数据集

---

二、案例目的

  这份数据集只包含了四个基本信息字段：用户ID、购买日期、购买数量、购买金额。本案例的目标：通过这个四个字段，在数据集时间窗口内，分析用户消费的基本概况；通过用户分层、周期分析、复购率和回购率分析等，梳理现阶段用户的价值现状，并尝试根据业务经验提一些运营建议。

---

三、分析框架

四、分析过程

4.1数据加载和初探

（1）导入相关包、设置风格样式

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import os
# jupter魔法函数，设置可视化页内显示
%matplotlib inline
# 正常显示中文和负号
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
# 画图的样式风格设置为：ggplot
plt.style.use('ggplot')

（2）导入数据集

字段信息：

• user_id：用户ID
• order_dt：购买日期
• order_products：购买数量
• order_amount：购买金额

源数据为txt文件，通过pd.read_csv()。分割符为空白字符串，用正则表达'\s+'，匹配任意空白符。

# 导入数据集
os.chdir(r'D:/数据集/电商零售类/CDNOW数据集/')
columns = ['user_id', 'order_dt', 'order_products', 'order_amount']
df = pd.read_csv('CDNOW_Dataset.txt',delimiter='\s+',names=columns)
df.head()

  从前5行数据中可以发现：同一个用户在同一天可能购买多次、同一用户在不同时间购买多次等消费现象。

（3）数据清洗

df.info()

  源数据质量描述：数据不存在缺失值，但购买日期order_dt字段数据类型为int64，需要转换为日期型datetime64[ns]

# 'order_dt'字段类型转换
df['order_dt'] = pd.to_datetime(df['order_dt'],format='%Y%m%d')

  按月份分析销售趋势，新增month字段。（tip：datetime64[M]：每月的第一天日期，datetime64[Y]：每年的第一天日期。）

# 新增month字段
df['month'] = df['order_dt'].values.astype('datetime64[M]')

# 查看字段的数据类型
df.dtypes

df.head()

（4）数据初探

# 数据描述性统计分析
df.describe()

描述性统计分析：

• 用户平均每笔订单购买2.4件商品，中位数为2.0，数据呈现正偏态（右偏）特征，最大值99，需要关注极值点（为何该用户同时买了那么多CD）；
• 用户平均订单金额为35.89，中位数为25.98，数据同样呈现正偏态（右偏）特征，大部分订单金额都集中在中小额范围（14.4~43.7）,存在极值点。

---

4.2消费概况分析

4.2.1时间维度分析消费情况（按月）

  按月份降采样，统计信息。

df_dtindex = df.set_index(['order_dt'])
# 统计每月订单商品量、每月订单金额
month_grouped = df_dtindex.resample('m').sum()[['order_products','order_amount']]
# 统计每月消费人数
month_grouped['user_num'] = df_dtindex.resample('m')['user_id'].nunique()
# 统计每月订单数
month_grouped['order_quantity'] = df_dtindex.resample('m')['user_id'].size()
month_grouped.head()

  每月订单商品量、每月订单金额、每月消费人数、每月订单数趋势图。

month_grouped.plot(kind='line',subplots=True,figsize=(10,8))

从折线趋势图可以看出：

• 1-3月份订单商品量和订单金额都较高，4月份急速下降后趋于平缓；
• 1-3月份月均消费人数在7800~9600之间，4月份开始月均消费人数开始下降，在2000人次附近波动，反应用户粘性不高，留存率低。

出现以上的原因，可能是该网站1-3月份做大推广；或者明星新CD专辑集中发布，大量粉丝涌入网站购买。

---

4.2.2用户维度分析消费情况

4.2.2.1个体消费分析

（1）用户消费次数、消费金额、订单商品量描述性统计

# 对用户分组，并统计每个用户的消费次数、消费金额、订单商品量
user_grouped = df.groupby('user_id').agg({'user_id': 'count','order_amount': 'sum','order_products': 'sum'})
# 列字段重命名consumptions：消费次数
user_grouped.rename(columns={'user_id':'consumptions'},inplace=True)
# 描述性统计
user_grouped.describe()

用户维度消费情况描述性统计分析：

• 用户平均消费次数为2.96次，中位数1，用户消费次数数据右偏，反映时间段内大部分用户只在该网站消费1次。
• 订单金额和订单商品量的均值与75%分位值接近，反映订单金额和订单商品量主要由少部分用户贡献,要关注极值点影响。

（2）用户消费次数、消费金额、订单商品量分布直方图

plt.figure(figsize=(20,4))
plt.subplot(1,3,1)
user_grouped['consumptions'].plot.hist(bins=15,title='consumptions')
plt.subplot(1,3,2)
user_grouped['order_amount'].plot.hist(bins=30,title='order_amount')
plt.subplot(1,3,3)
user_grouped['order_products'].plot.hist(bins=30,title='order_products')

  数据分布存在一定的极值干扰，需要对极值进行过滤处理再观察数据分布特征。对于非正态分布数据集，根据切比雪夫定理：所有数据，至少有24/25（或96%)的数据位于均值±5个标准差范围内。根据描述性统计，分别计算过滤条件：

• consumptions：mean + 5std = 2.95+5*4.73=26.6,选择27作为过滤阈值
• order_amount：160.08+5*240.93=1310.73，选择1310作为过滤阈值
• order_products：7.12+5*16.98=92.02，选择95作为过滤阈值

# 过滤极值，画分布直方图
plt.figure(figsize=(20,4))
plt.subplot(1,3,1)
user_grouped.query('consumptions<27')['consumptions'].plot.hist(bins=15,title='consumptions',xlim=(0,27))
plt.subplot(1,3,2)
user_grouped.query('order_amount<1312')['order_amount'].plot.hist(bins=30,title='order_amount')
plt.subplot(1,3,3)
user_grouped.query('order_products<95')['order_products'].plot.hist(bins=30,title='order_products')

  过滤掉极值之后，从用户消费次数、消费金额、订单商品量分布直方图可以明显看出：数据大多数集中在低值区，反映大部分用户消费水平一般，贡献价值一般。符合“长尾型”消费类数据分布特征。

（3）用户人数累计消费金额占比

user_cumsum = user_grouped.sort_values(['order_amount']).apply(lambda x:x.cumsum()/x.sum())
user_cumsum.reset_index()['order_amount'].plot(xticks=(range(0,25000,2500)),title='用户人数累计消费金额占比')
plt.xlabel('人数')
plt.ylabel('占比')

由上图可知：

  50%的用户（总共有23570名用户）仅贡献了15%的消费额度，70%的用户仅贡献了20%的消费额度，85%的用户仅贡献了40%的消费额度，而前3570（占比15%）多用户就贡献了60%的消费额度。可以重点关注一下这15%客户更多相关数据，总结用户特征，挖掘更多消费机会。

（4）用户消费金额和订单商品量之间相关性分析

user_grouped.query('order_amount<8000').plot.scatter(x='order_products',y='order_amount',title='用户消费金额和商品购买量散点分布')

由散点分布图可以看出：

  用户的消费金额和订单商品量几乎成线性关系：购买的商品越多，消费金额越大。反映该网站的商品比较单一，或者单价比较稳定。在不影响主商品的前提下，可以考虑一些辅助商品铺设。

4.2.2.2 用户消费行为分析

（1）用户第一次消费（首购）和最后一次消费时间分布（按月）

# 用户初次消费时间分布：统计每个用户消费的时间最小值，再计算相同日期的频数
df.groupby('user_id')['order_dt'].min().value_counts().plot(title='用户初次消费时间分布图')

由初次消费分布图可知：

  用户初次购买时间集中在前三个月，其中2月9日到2月25日之间有波动。可能是该网站做了推广或者明星集中发专辑，导致大量新用户涌入网站购买CD。

# 用户最后一次消费时间分布
df.groupby('user_id')['order_dt'].max().value_counts().plot(title='用户最后一次消费时间分布图')

由末次消费分布图上图可知：

• 用户最后一次消费也集中在前三个月，反映有大量用户在三个月内就流失掉了；
• 首购和最后一次消费都集中前三个月，可能是这部分新增用户在前三月就流失掉了。可能是著名明星集中发专辑，新增用户对其他CD专辑不感兴趣。（这部分新用户是某类明星的粉丝）
• 随时间递增，最后一次消费人数也在缓慢递增，用户流失呈上升趋势。可能是运营没跟上，老用户忠诚度也下降了。

从这里简要看出，要提高网站的销售金额，有两个关键点：

• 第一，分析新增用户的购物喜好，推送同类或类似风格产品，确保在用户流失之前留住用户；
• 第二，分配合理资源维护老用户，给老用户做合理的引导消费通知。

（2）新老用户占比分析

  仅消费一次的用户占比

# 仅消费一次的用户占比=消费一次的用户人数/总用户数
user_grouped[user_grouped['consumptions']==1]['consumptions'].count()/user_grouped['consumptions'].count()

结果表明：有一半用户只消费了一次。

注意：这里不能用第一次和最后一次消费日期相同，来判断该用户只消费了一次，因为有可能同一天该用户消费了两次。这样算出来的指标应该叫‘仅消费一天的用户占比’，不过两者结果相差应该不是很大。

  每月新用户占比

---

4.3用户分层分析

4.3.1FRM模型对用户分层

R（Recency，近度/最近一次消费）F（Frequency，消费频次）M（Monetary，消费金额）

# 首先，数据透视表求出用户的最近一次消费时间、消费次数，消费总金额
rfm = df.pivot_table(index='user_id',
                    values=['order_dt','order_products','order_amount'],
                    aggfunc={'order_dt': 'max',
                            'order_products': 'count',
                            'order_amount': 'sum'})
rfm.head()

# 其次，计算R值：最近一次消费（距今天数），数据比较久远，这里选择order_dt的最大值为‘今天’
# 时间格式相减，得到xxx days，需要除以一个单位'D'
rfm['R'] = (rfm.order_dt-rfm.order_dt.max())/np.timedelta64(1,'D')
rfm = rfm.rename(columns={'order_amount': 'M', 'order_products': 'F'})[['R','F','M']]
rfm.head()

# 根据判断阈值（这里选择每列均值作为阈值），添加客户分层标签字段
# 定义用户分层函数
def rfm_level(data):
    # 和阈值（均值）做对比：高于阈值赋值为1，低于阈值赋值为0
    level = data.apply(lambda x:'1' if x>=0 else '0')
    # 构建分类字典
    d = {
        '111': '重要价值客户',
        '011': '重要保持客户',
        '101': '重要发展客户',
        '001': '重要挽留客户',
        '110': '一般价值客户',
        '010': '一般保持用户',
        '100': '一般发展客户',
        '000': '一般挽留客户'
    }
    # 拼接字符串
    label = level.R + level.F + level.M
    # 各行根据拼接字符串的结果（键），返回客户类型（值）
    return d[label]
# 逐行传入
rfm['label'] = (rfm-rfm.mean()).apply(rfm_level,axis=1)
rfm.head()

plt.figure(figsize=(12,6),dpi=80)
plt.subplot(1,2,1)
rfm.label.value_counts().plot.pie(autopct='%3.1f%%',title='RFM模型分层用户人数占比图')
plt.subplot(1,2,2)
rfm.groupby('label').M.sum().plot.pie(autopct='%3.1f%%',title='RFM模型分层用户消费金额占比图')

由上图可知：

• ‘一般挽留客户’人数占比最多，达到57.7%。但贡献的消费金额仅占比16.4%
• ‘重要价值客户’人数占比为19.6%，贡献消费占比却达到了63.7%

此次分析中，R、F、M三个维度的阈值是依据各自的平均值选定，实际业务要根据不同场景设定合适的阈值，切莫不要为了数据好看划分等级。在资源的有限情况下，尽量用小部分的用户覆盖大部分的额度。在运营策略上，应结合用户分层的结果，针对不同的用户分类用户制定不同的运营策略：

• 针对重要价值客户，应保持好现状；
• 针对重要发展客户，由于其价值高但是频次低，应采取合适的策略来刺激其消费频率；
• 针对重要保持用户，应采取合适的策略来将其召回，留住该用户；
• 针对重要挽留用户，召回他并刺激其消费；
• 针对一般价值用户，可以通过发放大额面值优惠券等方式刺激消费力度；
• 其余几类用户都要在考虑成本、资源的情况下采取相应的策略召回、刺激消费。

---

4.3.2根据消费状态对用户分层

  用户分层的目的在于区分不同价值的用户，对不同价值的用户、不同阶段的用户采用精准、细化的运营方案。在实际业务场景中，常常把用户分为新客，不活跃用户，活跃用户，回流用户。

指标口径说明：

• 新用户：时间窗口内，首次消费的用户。
• 不活跃用户（流失用户）：时间窗口内，未消费的老客。
• 活跃用户：本时间窗口内有消费，上一个时间窗口也有消费的用户。
• 回流用户：上一个时间窗口中没有消费，而在当前时间窗口内有过消费的老客。

# 首先，以月份为统计窗口，制作透视表：得到每个月用户的消费次数
# 缺失值NaN（该月份无消费记录）用0填充
pivoted_counts = df.pivot_table(index='user_id',
                               columns='month',
                               values='order_dt',
                               aggfunc='count').fillna(0)
pivoted_counts.head()

  上面的NaN值用0填充：0不一定代表本月没有消费，也有可能该用户在当月没有注册，为了判断该用户在当月是否为新用户，还需用自定义函数来判断。

# 然后，自定义用户分层函数
def user_status(data):
    '''
    unreg：未注册用户
    new：新用户
    unactive：不活跃用户（流失用户）
    active：活跃用户
    return：回流用户
    '''
    status = []
    # 判断第一月是否为新用户
    if data[0] == 0:
        status.append('unreg')
    else:
        status.append('new')
    # 循环判断每一个月的用户状态
    for i in range(17):
        # 若本月未消费
        if data[i+1]==0:
            # 上一个月也未消费，则本月为未注册用户
            if status[i] == 'unreg':
                status.append('unreg')
            else:
                status.append('unactive')
        # 本月消费
        else:
            # 上一月为未注册用户，则本月为新用户
            if status[i] == 'unreg':
                status.append('new')
            # 上一月为不活跃用户，则本月为回流用户
            elif status[i] == 'unactive':
                status.append('return')
            # 上一月消费，本月也消费，则本月为活跃用户
            else:
                status.append('active')
    return pd.Series(status,index=data.index) 

pivoted_user_status = pivoted_counts.apply(user_status, axis=1)
pivoted_user_status.head()

# 统计每个月不同状态的用户数
# 把未注册unreg替换为NaN值，count不会计数
user_status_counts = pivoted_user_status.replace('unreg',np.NaN).apply(pd.value_counts)
user_status_counts

# 绘制不同类型用户数量随时间变化的曲线
user_status_counts.T.plot(figsize=(10, 4),title='不同类型用户数量随时间变化的曲线图',grid=False)

由上图可知：

• 前三个月新用户大量涌入，后期没有新增；
• 后期不活跃用户数量非常多，基本每个月20000人以上；
• 活跃用户前几月较多，后期逐渐下降；
• 回流用户基本保持1000左右。

在实际业务中，活跃用户和回流用户是真正意义上消费的用户，是运营应该重点关注的高价值群体。

#计算每个月各类用户占比
user_status_counts.T.apply(lambda x: x/x.sum(), axis=1).round(2)

---

4.4用户生命周期分析

（1）用户生命周期分布直方图

  用户生命周期定义：第一次消费至最后一次消费的时间差。

  延长用户的生命周期，在用户生命周期内获取更多价值，是用户运营的目标。

# LTV:生命周期总价值，即生命周期内消费的总金额
user_LTV = df.groupby(['user_id']).agg({'order_amount': 'sum'})
user_LTV['lifetime'] = (df.groupby(['user_id'])['order_dt'].max()-df.groupby(['user_id'])['order_dt'].min())/np.timedelta64(1, 'D')
user_LTV.head()

  前面分析中，有一半以上的用户只消费1次，再进行用户生命周期分析时，需要过滤掉这部分用户再分析才具有实际意义。因为只消费1次的用户生命周期为0，会把整体数据拉低，而且大部分一次性用户创造的价值很小，对后期用户运营没有显著的帮助。

# 用户生命周期描述性统计：排除只消费1次的用户
user_LTV_query = user_LTV[user_LTV['lifetime'] > 0]
user_LTV_query.describe()

#绘制分布直方图
user_LTV_query['lifetime'].plot.hist(bins=40,figsize=(10, 6),title='CDNOW用户生命周期分布直方图')

由描述性统计和分布直方图可以看出：

• 消费2次以上用户平均生命周期为276天；
• 分布直方图呈现双峰趋势，大体可以分为三段：
  1. [0-30]天，有部分用户虽然消费超过两次，但是无法持续，运营应该在30天内做出对策，延长用户生命周期；
  2. [50-350]天，属于普通型生命周期，这部分用户是有消费欲望的，可以根据其特点推出针对性营销策略；
  3. [>350]天，属于网站的忠诚用户，要用心维护，稳定销量。

（2）用户生命周期和用户生命周期总价值相关性

plt.scatter(x=user_LTV_query['lifetime'],y=user_LTV_query['order_amount'])

user_LTV_query = user_LTV_query.query('order_amount < 4000')
plt.scatter(x=user_LTV_query['lifetime'],y=user_LTV_query['order_amount'])
plt.title('用户生命周期和用户生命周期总价值散点图')

由上散点分布图可知：

  用户生命周期和用户生命周期总价值无线性相关关系，但是有一部分生命周期超过350天的用户，贡献的消费金额明显高于生命周期偏低的用户。

---

4.5用户留存分析

  用户在某段时间内开始使用应用，经过一段时间后，仍然继续使用该应用的用户，被认作是留存用户。这部分用户占当时新增用户的比例即是留存率，会按照每隔1单位时间（例日、周、月）来进行统计。留存用户和留存率体现了用户的质量和运营保留用户的能力。

# 获取用户留存数据表

# 获取用户的激活日期reg_dt：这里指第一次消费日期
reg_dt = df.groupby('user_id')['order_dt'].min().reset_index().rename(columns={'order_dt': 'reg_dt'})

# 内连接
user_retention = pd.merge(left=df,right=reg_dt,how='inner',on='user_id')[['user_id','order_amount','reg_dt','order_dt']]
user_retention['第n天活跃'] = (user_retention['order_dt'] - user_retention['reg_dt']).apply(lambda x: x.days)
# # 对活跃天数进行分箱
bins = [0, 3, 7, 15, 30, 60, 90, 180, 365]
user_retention['活跃天数区间'] = pd.cut(user_retention['第n天活跃'], bins=bins)
user_retention.head(10)

# 数据透视，获取用户维度留存表
user_retention_pivoted = user_retention.pivot_table(index='user_id', columns='活跃天数区间',values='order_amount',aggfunc=sum,dropna=False)
user_retention_pivoted.head(10)

# 统计各个时间段用户的消费比列：即首次消费后，有多少用户比例在各个时间段再次消费
retention = user_retention_pivoted.count()/len(user_retention_pivoted)
retention

```python
retention.plot.bar(title = '各个时间段用户的再次消费人数占比')
```

由上柱状图可知：

• 约有2.7%的用户在第一次消费后，次日至3日内再次消费；
• 3.6%的用户在3至7日消费；
• 约20%的用户在第一次消费三个月至半年内有过消费记录；
• 约26%的用户在半年后至一年内购买过。

可见，CD商品购买不属于高频行为。从运营角度看，在促活新用户的时，更要注重培养老用户的忠诚度。

# 统计用户在第一次消费后，再后续时间段的平均消费
user_retention_pivoted.mean()

---

4.5用户购买周期分析

# 计算用户的相邻两个订单的时间间隔，shift函数是对数据进行错位，所有数据会往下平移一下
order_dt_diff = user_retention.groupby('user_id').apply(lambda x: x.第n天活跃 - x.第n天活跃.shift(1))
order_dt_diff.head(10)

```python
# 用户消费时间间隔描述性统计
order_dt_diff.describe()
```

  用户平均消费时间间隔为69天（极值影响）。在运营策略中，可以大概理解为，想要召回用户消费，在60天左右的时间间隔可以做一些好的运营策略或推荐。
```python
# 用户消费时间间隔分布直方图
order_dt_diff.plot.hist(bins=50,title='用户消费时间间隔分布直方图')
```

由用户消费时间间隔分布直方图，可以看出：

  直方图呈现长尾分布，大部分用户的消费时间间隔很短，在用户第一次消费后，将时间召回点设为消费后立即赠送优惠券，消费后15天询问用户CD怎么样，消费后20天提醒优惠券到期，消费后60天短信推送，以实现用户粘性增加，并不断刺激用户消费。

---

4.6复购率和回购率分析

指标说明：（这里时间窗口为月）

• 复购率：在单位时间窗口内多次（2次及以上）消费的用户在总消费用户的占比。
• 回购率：在某单位时间窗口内消费的用户，在下一单位时间窗口仍消费的占比。

# 计算每个月用户的消费次数
pivoted_counts.head()

（1）复购率分析

# 消费次数：>1表示消费两次以上，>=1表示有消费
month_buy_rate = pd.DataFrame((pivoted_counts>1).sum()/(pivoted_counts>=1).sum(),columns=['复购率'])
month_buy_rate.head()

month_buy_rate.plot(figsize=(10,4),title='复购率月趋势图')

由复购率月趋势图可知：

• 前三个月，由于新用户涌入，导致复购率偏低，新客在短时间内只购买了一次
• 随着时间的推移，留下的都是少量忠诚用户（2000人），复购率稳定在20%左右。

(2)回购率分析

# 定义函数判断用户是否回购：本月消费，下月也消费，则表示用户回购
def func_purchase(data):
    status = []
    # 判断前17个月
    for i in range(data.count()-1):
        # 本月有消费
        if data[i] > 0:
            # 下个月也消费，则为回购，即为1
            if data[i+1] > 0:
                status.append(1)
            # 下个月不消费，不回购，记为0
            else:
                status.append(0)
        # 本月无消费，赋予为NaN，count不统计
        else:
            status.append(np.nan)
    # 最后一个月补充为NaN，因为没有下一月数据，无法判断是否回购
    status.append(np.nan)
    return pd.Series(status,index=data.index)

# axis=1,按行逐用户传入
purchase = pivoted_counts.apply(func_purchase,axis=1)
purchase.head()

# 计算回购率
purchase_rate = pd.DataFrame(purchase.sum()/purchase.count(),columns=['回购率'])
purchase_rate.head()

purchase_rate.plot(figsize=(10,4),title='回购率月趋势图')

由回购率月趋势图可知：

• 前三个月，新用户涌入，新用户回购率在16%左右，大部分新客户只在当月购买了一次，新客户质量不佳；
• 后回购率稳定在30%左后，波动较大(10%之间)

五、案例总结