27  跨国电商零售数据探索

27.1 引言RFM客户分层模型

RFM模型是客户价值分析的经典方法: - Recency(最近消费): 最近一次消费时间 - Frequency(消费频率): 消费次数 - Monetary(消费金额): 消费总金额

27.2 数据准备

列表 27.1

# 注：skrfm.xlsx 数据文件本地没有，但平台已经内置
# ⚠️ 平台原始代码 - 请原样输入至教学平台（注释除外），平台才会判定答案正确
import pandas as pd  # 导入Pandas数据分析库
import numpy as np  # 导入NumPy数值计算库
import matplotlib.pyplot as plt  # 导入Matplotlib绑图库
import warnings  # 导入warnings模块用于控制警告输出
warnings.filterwarnings('ignore') # 忽略报错(警告)
#加载数据
rfm = pd.read_excel('skrfm.xlsx') 
rfm['RFM'] = rfm['RFM'].str.strip() # 去除空格
def trans(x):  # 定义函数trans
  if x == '高高高':  # 条件判断：x == '高高高'
    return '重要客户'  # 返回计算结果
  elif x == '高低高':  # 否则判断：x == '高低高'
    return '低购买频率客户'  # 返回计算结果
  elif x == '低高高':  # 否则判断：x == '低高高'
    return '长期未消费客户'  # 返回计算结果
  elif x == '低低高':  # 否则判断：x == '低低高'
    return '长期未消费低购买频率客户'  # 返回计算结果
  elif x == '高高低':  # 否则判断：x == '高高低'
    return '低消费客户'  # 返回计算结果
  elif x == '高低低':  # 否则判断：x == '高低低'
    return '低购买频率低消费客户'  # 返回计算结果
  elif x == '低高低':  # 否则判断：x == '低高低'
    return '长期未消费低消费客户'  # 返回计算结果
  else:  # 不满足以上条件时
    return '其他待发展客户'  # 返回计算结果
rfm['用户等级'] = rfm['RFM'].apply(trans)  # 对数据应用自定义函数
print(rfm)  # 输出变量rfm的值

rfm['用户等级'].value_counts()  # 统计用户等级列各取值的频率分布
plt.rcParams['font.sans-serif'] = ['SimHei'] # 使用黑体或其他支持中文的字体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号'-'显示为方块的问题
# 创建柱状图
plt.figure(figsize=(12, 6))
# 绑制柱状图
bars = plt.bar(rfm['用户等级'].value_counts().index, rfm['用户等级'].value_counts().values, color='blue',alpha=0.4) 
# 添加标题和标签
plt.title('各等级类型用户数', fontsize=16)
plt.xlabel('用户等级类型', fontsize=12)  # 设置X轴标签
plt.ylabel('用户数', fontsize=12)  # 设置Y轴标签
plt.xticks(rotation=45, ha='right') # 旋转x轴标签以便更好地显示

# 在柱子上方显示数值
for bar in bars:
  height = bar.get_height()  # 获取当前柱子的高度值（用于数据标注）
  plt.text(bar.get_x() + bar.get_width() / 2., height,  # 添加文本标注
       f'{height:,}',  # 格式化标注文本（千分位分隔）
       ha='center', va='bottom', fontsize=9)  # 设置标注文本的水平和垂直对齐方式

# 调整布局防止标签被截断
plt.tight_layout()
# 显示图形
plt.savefig("7.png")

#绘制饼图
user_levels = rfm['用户等级'].value_counts()
labels = user_levels.index # 用户等级的类别
values = user_levels.values # 每个类别的数量

# 创建饼图
plt.figure(figsize=(10, 6)) # 设置画布大小
# 绑制饼图
plt.pie(values, labels=labels, autopct='%1.1f%%', startangle=90, textprops={'fontsize': 12, 'color': 'white'})
# 添加标题和图例
plt.title('用户等级类型占比', fontsize=16)
plt.legend(labels, title="用户等级", loc="best",bbox_to_anchor=(1, 0.5)) # 图例位置自动调整为最佳位置
# 显示图表
plt.savefig("8.png")

27.3 RFM分层映射

列表 27.2

# 注：该代码块依赖的数据来自上方平台任务代码块，因其未执行，本块也无法执行
# ==================== 定义客户分类函数 ====================
def classify_customer(rfm_value):
    """根据RFM值分类客户,返回客户等级"""
    mapping = {
        '高高高': '重要客户',  # R、F、M三个维度都高,是最有价值的客户
        '高低高': '低购买频率客户',  # 最近消费、金额高,但频率低,有提升空间
        '低高高': '长期未消费客户',  # 频率高、金额高,但很久没消费,需要召回
        '低低高': '长期未消费低购买频率客户',  # 金额高但频率低且很久没消费
        '高高低': '低消费客户',  # 最近消费、频率高但金额低,适合培养
        '高低低': '低购买频率低消费客户',  # 最近消费但频率和金额都低
        '低高低': '长期未消费低消费客户'  # 很久没消费且金额低,需要激活或放弃
    }
    return mapping.get(rfm_value, '其他待发展客户')  # 如果RFM值不在映射表中,归为"其他待发展客户"

# ==================== 应用分类函数 ====================
rfm['用户等级'] = rfm['RFM'].apply(classify_customer)
# 对每一行RFM值应用classify_customer函数,生成用户等级标签
# apply()是Pandas中高效处理行/列数据的方法

print('用户等级分布:')  # 输出标题
print(rfm['用户等级'].value_counts())  # 统计每个等级的用户数量,了解客户结构

27.4 可视化分析

27.4.1 柱状图

列表 27.3

# 注：该代码块依赖的数据来自上方平台任务代码块，因其未执行，本块也无法执行
# ==================== 设置中文字体支持 ====================
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置中文字体为黑体
plt.rcParams['axes.unicode_minus'] = False  # 解决负号显示问题

# ==================== 统计各等级用户数量 ====================
user_counts = rfm['用户等级'].value_counts()  # 统计每个用户等级的出现次数

# ==================== 创建柱状图 ====================
plt.figure(figsize=(12, 6))  # 创建12x6英寸的画布
bars = plt.bar(
    user_counts.index,  # x轴为用户等级
    user_counts.values,  # y轴为用户数量
    color='steelblue',  # 设置柱状图颜色为钢蓝色
    alpha=0.6  # 设置透明度为0.6,使图表更加柔和
)

# ==================== 添加数值标签 ====================
for bar in bars:  # 遍历每个柱子
    height = bar.get_height()  # 获取柱子的高度(即用户数量)
    plt.text(
        bar.get_x() + bar.get_width() / 2.,  # x坐标为柱子中心
        height,  # y坐标为柱子顶部
        f'{int(height):,}',  # 显示数值,使用千位分隔符
        ha='center',  # 水平居中对齐
        va='bottom',  # 垂直底部对齐
        fontsize=10  # 字体大小为10
    )

plt.title('各等级类型用户数', fontsize=16)  # 设置图表标题
plt.xlabel('用户等级类型', fontsize=12)  # 设置x轴标签
plt.ylabel('用户数', fontsize=12)  # 设置y轴标签
plt.xticks(rotation=45, ha='right')  # x轴标签旋转45度,右对齐,避免重叠
plt.grid(axis='y', alpha=0.3)  # 显示y轴网格线,透明度0.3
plt.tight_layout()  # 自动调整布局
plt.show()  # 显示图表

27.4.2 饼图

列表 27.4

# 注：该代码块依赖的数据来自上方平台任务代码块，因其未执行，本块也无法执行
# ==================== 准备饼图数据 ====================
user_levels = rfm['用户等级'].value_counts()  # 统计各等级用户数
labels = user_levels.index  # 饼图的标签(用户等级)
values = user_levels.values  # 饼图的数值(用户数量)

# ==================== 创建饼图 ====================
plt.figure(figsize=(10, 6))  # 创建10x6英寸的画布
plt.pie(
    values,  # 饼图的数值
    labels=labels,  # 饼图的标签
    autopct='%1.1f%%',  # 显示百分比,保留1位小数
    startangle=90,  # 从90度(正上方)开始绘制
    textprops={'fontsize': 11}  # 设置文本字体大小为11
)

plt.title('用户等级类型占比', fontsize=16)  # 设置图表标题
plt.legend(
    labels,  # 图例标签
    title='用户等级',  # 图例标题
    loc='best',  # 自动选择最佳位置
    bbox_to_anchor=(1, 0.5)  # 将图例放置在图表右侧
)
plt.tight_layout()  # 自动调整布局
plt.show()  # 显示图表

27.5 分析结论

客户分层结果: 1. 重要客户: RFM都高,需重点维护 2. 低频客户: 频率低但金额高,可提升频率 3. 沉睡客户: 未消费需重新激活 4. 低价值客户: 需培育或放弃

营销策略: - 重要客户: VIP服务,专属优惠 - 低频客户: 促销活动,提高复购 - 沉睡客户: 召回活动,重新激活 - 低价值客户: 降低服务成本