電商銷售數(shù)據(jù)分析-基于Python

時間：2023-03-15 23:36:01 | 來源：電子商務(wù)

時間：2023-03-15 23:36:01 來源：電子商務(wù)

一，背景

隨著電商的不斷發(fā)展，網(wǎng)上購物變的越來越流行，這樣讓各大電商得到了很大的發(fā)展機遇。同樣，隨著更多電商平臺的崛起，對于電商賣家來說增加的不止是人們越來越高的需求，還要面對更多強大的競爭對手。面對這些挑戰(zhàn)的時候，就需要能夠及時發(fā)現(xiàn)店鋪經(jīng)營中的問題，并且能夠有效的解決這些實際的問題，從而提升自身的競爭力。所以，根據(jù)已有數(shù)據(jù)對店鋪整體運營情況分析，了解運營狀況，以及對未來進行預(yù)測，已經(jīng)成為一個電商以及運營等崗位必不可少的技能。

二：分析目標

對一家超市4年（2011年-2014年）的零售數(shù)據(jù)進行數(shù)據(jù)分析，數(shù)據(jù)分析的目標：

a, 分析每年銷售額增長率。

b,各個地區(qū)分店的銷售額。

c,銷售淡旺季。

d,新老客戶數(shù)。

e,利用RFM模型標記用戶價值。

三，數(shù)據(jù)準備

四，數(shù)據(jù)采集

本章數(shù)據(jù)來源于數(shù)據(jù)科學(xué)競賽平臺

，總共51290條數(shù)據(jù)，24個字段。根據(jù)這些數(shù)據(jù)實現(xiàn)上述分析目標。

超市數(shù)據(jù)屬性表：

五：了解數(shù)據(jù)基本情況

下載好數(shù)據(jù)后，我們使用Pandas導(dǎo)入數(shù)據(jù)，查看數(shù)據(jù)集的信息，快速理解數(shù)據(jù)。

import pandas as pd data= pd.read_csv('./dataset2011-2015.csv',encoding='ISO-8859-1')print('源數(shù)據(jù)的形狀為：',data.shape)print('查看數(shù)據(jù)的類型：',data.dtypes)print('初步判斷數(shù)據(jù)是否有缺失值：',data. info())print(data.head())使用read_csv讀取數(shù)據(jù)的時候，需要根據(jù)csv文件存儲時的編碼格式，進行讀取。csv常見編碼格式:UTF-8、GBK 、ISO-8859-1根據(jù)上面的代碼結(jié)果，我們可以初步了解的數(shù)據(jù)的基本情況如下:

源數(shù)據(jù)的形狀為：

各個字段的數(shù)據(jù)類型

初步判斷數(shù)據(jù)是否有缺失值：

根據(jù)上面的結(jié)果，我們對數(shù)據(jù)已經(jīng)有了初步的了解，24個字段中有7個字段是數(shù)字類型，這7個字段在去計算的時候是不需要轉(zhuǎn)換類型的，其他字段的數(shù)據(jù)都是object類型，在獲取數(shù)據(jù)的時候注意數(shù)據(jù)的類型，特別是日期字段的數(shù)據(jù)，整理數(shù)據(jù)的時候可以將其轉(zhuǎn)換成時間格式，可以方便我們獲取數(shù)

同時，也發(fā)現(xiàn)數(shù)據(jù)缺失方面只有Postal Code（郵編）字段有缺失值，而該字段對我們分析并不會產(chǎn)生影響，可以不用處理。

六：數(shù)據(jù)清洗

1，查看是否有缺失值

import pandas as pd data= pd.read_csv(r'superstore_dataset2011-2015.csv',encoding='ISO-8859-1')print('每個字段中是否含有空值：/n', data.isna().any())發(fā)現(xiàn)Postal Code字段含有缺失值。而該字段并不在我們的分析范圍內(nèi)，我們可以不處理該字段的缺失值，同時也保留了該字段所在數(shù)據(jù)其他字段的數(shù)據(jù)，這樣可以確保分析的準確度。

2，查看是否有異常值

data.describe()出結(jié)果指標包括count，mean，std，min，max以及第25百分位，中位數(shù)（第50百分位）和第75百分位。通過觀察該結(jié)果，發(fā)現(xiàn)數(shù)據(jù)集并無異常值存在。

七，數(shù)據(jù)整理

處理時間的類型，將其修改成datetime類型

data['Order Date'] = pd.to_datetime(data['Order Date'])print(data.dtypes)上面我們將Order Date（訂單日期）列的數(shù)據(jù)類型成功修改成了datetime類型，因為在通過datetime可以快速的增加數(shù)據(jù)的維度，例如：年、月、季度等。

# 通過dt屬性返回的對象中可以獲取datetime中的年與日等數(shù)據(jù)data['Order-year'] = data ['Order Date'].dt.yeardata ['Order-month'] = data ['Order Date'].dt.monthdata ['quarter'] = data ['Order Date'].dt.to_period('Q')result = data [['Order Date','Order-year','Order-month', 'quarter']].head()display(data.head())七：具體分析目標

1，分析每年銷售額的增長率

銷售增長率=（本年銷售額-上年銷售額）/上銷售額 * 100%

根據(jù)當前的數(shù)據(jù)對該超市進行2011年到2014年的銷售增長率的趨勢分析，并給出下一年的銷售額建議

a,將數(shù)據(jù)按照年份進行分組，并計算出每年的銷售總額

sales_year = data.groupby(by='Order-year')['Sales'].sum()print(sales_year)b,根據(jù)銷售額增長率公式分別算出2012年、2013年和2014年的銷售額增長率

sales_rate_12 = sales_year[2012] / sales_year[2011] -1sales_rate_13 = sales_year[2013] / sales_year[2012] -1sales_rate_14 = sales_year[2014] / sales_year[2013] -1print(sales_rate_12,sales_rate_13,sales_rate_14)用百分數(shù)的形式結(jié)果

sales_rate_12 = "%.2f%%" % (sales_rate_12 * 100)sales_rate_13 = "%.2f%%" % (sales_rate_13 * 100)sales_rate_14 = "%.2f%%" % (sales_rate_14 * 100)print(sales_rate_12,sales_rate_13,sales_rate_14)import matplotlib.pyplot as pltimport matplotlib as mpl# #由于百分比數(shù)據(jù)不支持繪圖，所以重新求占比sales_rate_12 = sales_year[2012] / sales_year[2011] - 1sales_rate_13 = sales_year[2013] / sales_year[2012] - 1sales_rate_14 = sales_year[2014] / sales_year[2013] - 1print(sales_rate_12,sales_rate_13,sales_rate_14)# 設(shè)置字體#修改matplotlib 配置文件mpl.rcParams['font.sans-serif'] = ['SimHei']# 設(shè)置風(fēng)格plt.style.use('ggplot')sales_rate = pd.DataFrame({'sales_all':sales_year, 'sales_rate':[0,sales_rate_12,sales_rate_13,sales_rate_14]})y1 = sales_rate['sales_all']y2 = sales_rate['sales_rate']x = [str(value) for value in sales_rate.index.tolist()]# 新建figure對象fig=plt.figure() # 新建子圖1ax1=fig.add_subplot(1,1,1)# ax2與ax1共享X軸ax2 = ax1.twinx()ax1.bar(x,y1,color = 'blue')ax2.plot(x,y2,marker='*',color = 'r')ax1.set_xlabel('年份')ax1.set_ylabel('銷售額')ax2.set_ylabel('增長率')ax1.set_title('銷售額與增長率')plt.show() 結(jié)合上面的圖表可以發(fā)現(xiàn)，2011年-2014年該超市的銷售額在穩(wěn)步上升，說明企業(yè)市場占有能力在不斷提高，增長率2012年-2014年在增長后趨于平穩(wěn)，說明企業(yè)經(jīng)營在逐步穩(wěn)定。同樣我們根據(jù)銷售和增長率，可以初步制定下一年度的銷售額指標是：530萬左右，當然具體銷售額指標的制定還要再結(jié)合公司的整體戰(zhàn)略規(guī)劃。

2，各個地區(qū)分店的銷售額

了解了該超市了的整體銷售額情況之后，再對不同地區(qū)的分店的銷售額占比情況進行分析，以便對不同地區(qū)分配下一年度的銷售額指標，和對不同地區(qū)分店采取不同的營銷策略。

a,我們先按照Market字段進行分組數(shù)據(jù)，整體看一下不同地區(qū)分店2011年-2014年的總銷售額占比

sales_area = data.groupby(by='Market')['Sales'].sum()sales_area.plot(kind='pie',autopct="%1.1f%%",title='2011年-2014年的總銷售額占比')從占比圖中可以看出APAC地區(qū)銷售額占比最大為28.4%，而Canada地區(qū)的銷售額占比最少，并且只有0.5%，說明市場幾乎沒有打開，可以根據(jù)公司的總體戰(zhàn)略部署進行取舍，從而根據(jù)銷售額占比分配下一年的銷售額指標

b,為了能更清晰的了解各地區(qū)店鋪的經(jīng)營狀況，對各地區(qū)每一年的銷售額進行分析。

sales_area = data.groupby(by=['Market','Order-year'])['Sales'].sum()sales_area# # # 將分組后的多層索引設(shè)置成列數(shù)據(jù)sales_area = sales_area.reset_index(level=[0,1])sales_area# # # 使用數(shù)據(jù)透視表重新整理數(shù)據(jù)sales_area = pd.pivot_table(sales_area, index='Market', columns='Order-year', values='Sales')sales_area# # # 繪制圖形sales_area.plot(kind = 'bar',title = '2011年-2014年不同地區(qū)銷售額對比') 從上面的圖形中可以看出，各個地區(qū)的2011年-2014年銷售總額均是增長的趨勢，在APAC地區(qū)和EU地區(qū)的增長速度比較快速，可以看出市場占有能力也在不短增加，企業(yè)市場前景比較好，下一年可以適當加大運營成本，其他地區(qū)可以根據(jù)自身地區(qū)消費特點，吸取上面兩個地區(qū)的運營模式

c,不同類型產(chǎn)品在不同地區(qū)的銷售額占比，從而根據(jù)該占比適當?shù)母纳平?jīng)營策略。

category_sales_area = data.groupby(by=['Market','Category'])['Sales'].sum()category_sales_area# 將分組后的多層索引設(shè)置成列數(shù)據(jù)category_sales_area = category_sales_area.reset_index(level=[0,1])# 使用數(shù)據(jù)透視表重新整理數(shù)據(jù)category_sales_area = pd.pivot_table(category_sales_area, index='Market', columns='Category', values='Sales')# 繪制圖形category_sales_area.plot(kind = 'bar', title = '不同類型產(chǎn)品在不同地區(qū)銷售額對比', figsize= (10,8) )所有產(chǎn)品按照三個大的類型進行了區(qū)分，分別是Furniture（家具）、Technology（電子產(chǎn)品）、Office Supplies（辦公用品）。通過上圖我們大致可以看出，在各大地區(qū)銷售額都比較高是電子產(chǎn)品，可以根據(jù)企業(yè)的整體戰(zhàn)略部署適當?shù)募哟髮Ω鞯貐^(qū)該品類的投入，以便擴大優(yōu)勢。

3,銷售淡旺季分析

了解了該超市了的整體銷售額情況和不同類型產(chǎn)品在不同地區(qū)的銷售情況之后，再對每年每月的銷售額進行分析，根據(jù)不同月份的銷售情況，找出重點銷售月份，從而制定經(jīng)營策略與業(yè)績月度及季度指標拆分

需要將數(shù)據(jù)根據(jù)年和月進行分組，并計算出每年每月的銷售總額，再將其制作成年、月、銷售額的數(shù)據(jù)透視表，最后折線圖進行展示

year_month = data.groupby(by=['Order-year','Order-month'])['Sales'].sum()# 將索引訂單年轉(zhuǎn)為一列數(shù)據(jù)sales_year_month = year_month.reset_index(level=[0,1])# 利用透視表的確定銷售額預(yù)覽表sales_year_month = pd.pivot_table(sales_year_month, index='Order-month', columns='Order-year', values='Sales')# 繪制圖形sales_year_month.plot() 通過圖表我們基本可以看出，該超市2011年-2014年每一年的銷售額同比上一年都是上升趨勢，所以很容易發(fā)現(xiàn)該超市的旺季是下半年，另外，我們在上半年銷售額中發(fā)現(xiàn)6月份的銷售額也是比較高的，所以可以在6月份開始加大一些運營成本，進而更大一步提高銷售額，但是需要注意是下半年的7月份和10月份銷售額會有明顯的下降，可以針對這些下降的月份多舉行一些營銷活動。

4,新老客戶數(shù)

將只要在該超市消費過客戶就定義為老客戶，反之為新客戶。由于2011年的數(shù)據(jù)為起始數(shù)據(jù)，根據(jù)定義大部分客戶皆為新用戶，其數(shù)據(jù)沒有分析價值，在分析的時候可以考慮。

dt = data.drop_duplicates(subset=['Customer ID'])new_consumer = dt.groupby(by=['Order-year','Order-month']).size()new_consumer = new_consumer.reset_index(level=[0,1])sales_year_month = pd.pivot_table(new_consumer, index='Order-month', columns='Order-year', values=0)print(sales_year_month)根據(jù)圖表可以看出，從2011年開始到2014年總體看，每一年的新增客戶數(shù)是逐年減少的趨勢，可以看出該網(wǎng)站對保持老用戶是有效的，網(wǎng)站的運營狀況較為穩(wěn)定。但是，新客戶獲取率比較低，可以不定期的進行主動推廣營銷，從而增加新客戶數(shù)

5,用戶價值度RFM模型分析

RFM的含義

a,R（Recency）：客戶最近一次交易時間的間隔。R值越大，表示客戶交易發(fā)生的日期越久，反之則表示客戶交易發(fā)生的日期越近。

b, F（Frequency）：客戶在最近一段時間內(nèi)交易的次數(shù)。F值越大，表示客戶交易越頻繁，反之則表示客戶交易不夠活躍。

c,M（Monetary）：客戶在最近一段時間內(nèi)交易的金額。M值越大，表示客戶價值越高，反之則表示客戶價值越低。

根據(jù)R，F(xiàn)，M這三個維度，我們可以將客戶分為以下8種類型

第一步，分析的數(shù)據(jù)是該超市2014年全年的數(shù)據(jù)，并假設(shè)統(tǒng)計的時間為2014年12月31日?，F(xiàn)在我們利用下面代碼獲取數(shù)據(jù)2014年全年的數(shù)據(jù)：

# 獲取2014年數(shù)據(jù)data_14 = data [data ['Order-year']==2014]# 獲取三列數(shù)據(jù)#rfm 用這三列數(shù)據(jù)就可以制定rfmdata_14 = data_14[['Customer ID','Order Date','Sales']]data_14.head()由于RFM模型分別對應(yīng)著Customer ID、Order Date、Sales這三個字段，所以我們只獲取這三個字段的數(shù)據(jù)。

第二步，我們對2014年數(shù)據(jù)按照Customer ID進行分組，然后再對每個分組的數(shù)據(jù)按照Order Date進行排序并獲取出日期最大的那個數(shù)據(jù)。

# 排序函數(shù)def order_sort(group):# print(group.sort_values(by='Order Date'))[-1:] return group.sort_values(by='Order Date')[-1:]# 將數(shù)據(jù)按客戶ID分組data_14_group = data_14.groupby(by='Customer ID',as_index = False)# 將每個分組對象的數(shù)據(jù)排序，并取出日期最大的數(shù)據(jù)data_max_time = data_14_group.apply(order_sort)print(data_max_time.head())第三步，經(jīng)過分組之后同樣可以快速算出RFM模型中的F（購買次數(shù)）和M（銷售額總數(shù)）。

# 為數(shù)據(jù)添加F列data_max_time['F'] = data_14_group.size().values# print(data_14_group.size())data_max_time['F'] # 為數(shù)據(jù)添加M列data_max_time['M'] = data_14_group.sum()['Sales'].valuesdata_max_time.head()第四步，目前已經(jīng)獲取到了2014年每個客戶最后一次的時間了，現(xiàn)在需要根據(jù)假定同時間計算出最近一次交易時間的間隔。

# 確定統(tǒng)計日期stat_date = pd.to_datetime('2014-12-31')# 計算最近一次交易時間的間隔r_data = stat_date - data_max_time['Order Date']# 為數(shù)據(jù)添加R列data_max_time['R'] = r_data.valuesprint(data_max_time.head())第五步，經(jīng)過上面四步分別計算出來RFM各個維度的數(shù)值，現(xiàn)在可以根據(jù)經(jīng)驗以及業(yè)務(wù)場景設(shè)定分值的給予區(qū)間，本項目中給定F的區(qū)間為[0,5,10,15,20,50]，然后采用5分制的評分規(guī)則與上面分值區(qū)間一一對應(yīng)，例如：1-5對應(yīng)的為1、5-10對應(yīng)的為2,依次類推。

section_list_F = [0,5,10,15,20,50]# 根據(jù)區(qū)間設(shè)置評分grade_F = pd.cut(data_max_time['F'],bins=section_list_F,labels=[1,2,3,4,5])# 添加FS評分列data_max_time['F_S'] = grade_F.valuesdata_max_time.head() 第六步，根據(jù)第五步的思路，首先確定M維度的區(qū)間[0,500,1000,5000,10000,30000]，然后采用5分制的評分規(guī)則與上面分值區(qū)間一一對應(yīng)。同理，確定R維度的區(qū)間為[-1,32,93,186,277,365]，但是R維度所對應(yīng)的評分順序應(yīng)該與F和M的相反。

# 設(shè)置M維度的評分section_list_M = [0,500,1000,5000,10000,30000]# 根據(jù)區(qū)間設(shè)置評分grade_M = pd.cut(data_max_time['M'],bins=section_list_M,labels=[1,2,3,4,5])# 添加FS評分列data_max_time['M_S'] = grade_M.valuesdata_max_time# 設(shè)置R維度的評分import datetimesection_list_R = [datetime.timedelta(days=i) for i in [-1,32,93,186,277,365]]# 根據(jù)區(qū)間設(shè)置評分grade_R = pd.cut(data_max_time['R'],bins=section_list_R,labels=[5,4,3,2,1])# 添加FS評分列data_max_time['R_S'] = grade_R.valuesdata_max_time.head()第七步，上面給每條數(shù)據(jù)的RFM都設(shè)置了對應(yīng)的評分，現(xiàn)在需要根據(jù)每一個維度，計算出對應(yīng)的平均分，然后用對應(yīng)的分數(shù)與平均值進行對比，大于平均分的值的標記成1，同理小于平均分的值的標記成0

# 設(shè)置F維度高低值data_max_time['F_S'] = data_max_time['F_S'].values.astype('int')# 根據(jù)評分平均分設(shè)置判別高低grade_avg = data_max_time['F_S'].values.sum()/data_max_time['F_S'].count()grade_avg# # 將高對應(yīng)為1，低設(shè)置為0data_F_S = data_max_time['F_S'].where(data_max_time['F_S']>grade_avg,0)data_max_time['F_high-low']=data_F_S.where(data_max_time['F_S']<grade_avg,1).valuesdata_max_time['F_high-low']# # 設(shè)置M維度高低值data_max_time['M_S'] = data_max_time['M_S'].values.astype('int')# # 根據(jù)評分平均分設(shè)置判別高低grade_avg = data_max_time['M_S'].values.sum()/data_max_time['M_S'].count()# # 將高對應(yīng)為1，低設(shè)置為0data_M_S = data_max_time['M_S'].where(data_max_time['M_S']>grade_avg,0)data_max_time['M_high-low']=data_M_S.where(data_max_time['M_S']<grade_avg,1).values# # 設(shè)置R維度高低值data_max_time['R_S'] = data_max_time['R_S'].values.astype('int')# 根據(jù)評分平均分設(shè)置判別高低grade_avg = data_max_time['R_S'].values.sum()/data_max_time['R_S'].count()# 將高對應(yīng)為1，低設(shè)置為0data_R_S = data_max_time['R_S'].where(data_max_time['R_S']<grade_avg,0)data_max_time['R_high-low']=data_R_S.where(data_max_time['R_S']>grade_avg,1).valuesdata_max_time.head()第八步，現(xiàn)在基本完成對每個數(shù)據(jù)的RFM高低值的設(shè)置，記下來就可以根據(jù)RFM的高低值對每個用進行類型標記了

# 截取部分列數(shù)據(jù)data_rfm = data_max_time.loc[:,['Customer ID','R_high-low','F_high-low','M_high-low']]def get_sum_value(series):# print([str(i) for i in series.values.tolist()]) return ''.join([str(i) for i in series.values.tolist()[1:]])# 添加RFM字符串列data_rfm['data_rfm'] = data_rfm.apply(get_sum_value, axis=1)data_rfm['data_rfm']dic = { '111':'重要價值客戶', '101':'重要發(fā)展客戶', '011':'重要保持客戶', '001':'重要挽留客戶', '110':'一般價值客戶', '100':'一般發(fā)展客戶', '010':'一般保持客戶', '000':'一般挽留客戶',}# # RFM字符串數(shù)據(jù)映射成對應(yīng)類型文字data_rfm['data_rfm'] = data_rfm['data_rfm'].map(dic)print(data_rfm.head())print(data_rfm.tail())經(jīng)過以上步驟，已經(jīng)給所有的用戶都設(shè)置好RFM的標簽，現(xiàn)在讓我們來看一下2014年不同類型人群占比。

size = data_rfm.groupby(by='data_rfm').size()size = size.to_frame()size['rfm_pct'] = ["%.2f%%" % (i/sum(size.values) * 100) for i in size.values]print(size)結(jié)論依據(jù):

根據(jù)他們的階段特性來制定不同的策略。下面分析一下每組客戶的特性：

一般挽留客戶：這類客戶，RFM三個值都低，說明已經(jīng)是我們流失的客戶。針對這批客戶召回的成本一般會比較高，因為他們長時間沒在平臺有任何行為，有可能app都已經(jīng)寫在。所以一般針對這種客戶只會在特定的大型活動才采取全面的短信、廣告、推送召回。比如在雙十一、黑色星期五等大型購物狂歡節(jié)?；蛘哒f公司到了一個新階段大量資金投入用戶新增，比如我們看到過的“瓜分5個億”、“無上限砍價”等活動。

一般發(fā)展客戶：這類客戶只是有近期購買行為但是購買商品利潤低而且也不活躍。一般分兩種類型，一種是剛注冊的客戶，另一種就是由于體驗感一般接近流失邊緣的客戶。針對剛注冊的用戶一般會采取“新人大禮包”等優(yōu)惠，一般“新人大禮包”會盡量多的覆蓋平臺上的不同商品品類，提高新客戶了解平臺產(chǎn)品的動力。而針對接近流失的客戶應(yīng)該從客服、物流等多角度追溯客戶過去的不滿原因，對平臺進一步完善。

一般保持客戶：這類客戶只是頻繁瀏覽，但是很久沒有成交了。針對這類用戶，一般會結(jié)合他最近瀏覽的商品進行相關(guān)優(yōu)惠推送。促進他的成交行為。

一般價值客戶：這類客戶屬于已經(jīng)在平臺上養(yǎng)成了自己的購買習(xí)慣，已經(jīng)處于多次頻繁購買的階段，但是購買的商品價格都比較低，產(chǎn)生的利潤也就低。對這類客戶我們應(yīng)該進一步分析他們屬于購買力低還是大額商品有其他習(xí)慣成交的平臺。針對前者一般不需要采取特別的措施，而針對后者我們應(yīng)該時刻注意他的瀏覽商品動向，如果瀏覽遠超過平時客單價的商品應(yīng)該及時給予優(yōu)惠政策。

重要挽留客戶：這類消費金額較高，消費頻次偏低，而且已經(jīng)很久沒有消費行為了。這種客戶曾經(jīng)算是平臺的忠實用戶而且能為平臺提供比較大的利潤但是很有可能馬上就要流失了，所以應(yīng)該進行重點挽留，如給他們更多關(guān)懷，應(yīng)當主動客服溝通，建立平臺形象，針對用戶有什么不滿意的地方應(yīng)當及時解決，并給予優(yōu)惠補償。

重要發(fā)展客戶：這類用戶最近有消費，且整體消費金額高，但是購買不頻繁。這種客戶是有購買力的客戶，應(yīng)當重點維護，提升用戶在消費中的體驗感，比如加送“運費險”等等附加增值服務(wù)。

重要保持客戶：最近一次消費時間較遠，消費金額和消費頻次比較高。這種客戶一般是有網(wǎng)購習(xí)慣，但是最近卻很久沒有來消費。說明很可能已經(jīng)流向別的平臺。所以非常有潛力可挖，必須重點發(fā)展。要關(guān)注競品的活動，做對比出合理方案。

重要價值客戶：RFM三個值都很高。是平臺重點維護的客戶，保證服務(wù)質(zhì)量，保持客戶在平臺每次購物體驗。

本次案例結(jié)論

通過對不同客戶的行為分析，結(jié)合案例的結(jié)果。從統(tǒng)計結(jié)果中看，該平臺重要價值客戶占總體17.54%,說明該公司已經(jīng)沉淀了一批優(yōu)良客戶，而且這個比例還算是比較樂觀。但有28.86%的重要保持客戶，這批客戶是曾高頻購買且消費金額大的客戶，但是這批客戶近期沒有成交行為說明已經(jīng)有流失傾向，這批客戶需要著重關(guān)注。另外一般發(fā)展用戶也占了27.33%的比例，說明在用戶新增的階段做的還不錯，但是其他類型的比例都偏少。這組數(shù)據(jù)說明了這個平臺整體已經(jīng)處于客戶流失的階段，用戶整體活躍行為已經(jīng)降低，需要維護現(xiàn)有忠誠的客戶的同時，也要花精力在新用戶往重要價值客戶的轉(zhuǎn)化上。