以英国的在线电子零售公司的跨国交易数据集作为分析样本，通过对该公司的运营指标统计分析以及构建RMF模型、K-Means机器学习算法从大量的电子零售交易数据中分析并找出价值用户，针对价值用户提供以消费者为中心的智能商业模式。

数据集来自一个在英国注册的在线电子零售公司，其中包含2010年12月1日到2011年12月9日期间发生的网络交易数据。

数据集总共有541909条数据，8个字段

查看数据信息

共删除了5268条重复数据

查看数据缺失情况

从上表可以看出，有近25％的条目未分配给特定客户。在现有的数据下，不可能为用户估算出数值，因此这些条目对目前的工作没有用处。所以应当从数据框中删除它们。

共删除InvoiceNo 和 CustomerID字段缺失的数据135037条

将字符串类型数据转化为数值类型

将字符串类型数据转化为日期类型

数据转换过程中不符合日期格式的会转换为空值，需要再进行一次删除缺失值处理。

描述指标中购买产品的数量最小值为-8095，单品单价为0，这两个不符合实际情况确认为异常值。

经过两次条件判断之后数据集大小为（392692，10），为了检查处理后的结果，再次检查描述指标：

原数据集的时期是2010-12-1到2011-12-09，2011年12月数据不满一个月，为了方便分析和讨论本次分析选择数据时间为：2010-12-01到2011-11-30，12个月。

计算结果显示2011年9月、10月、11月的销售单数稳步增长，2011年11月达到最高值2657单，怀疑平台年末促销或者换季用户大量购买冬季产品导致，可以通过查询销售额占比最高的产品确认。

在销售额方面，2011年9月、10月、11月的销售额明显高于其他月份，虽然11月的总销售单数比10月要高出近(2657-1929)/1929100%≈38%但是11月的总销售额却只比10月高出(1156205.610-1035642.450)/1035642.450100%≈11.6%，初步评价2011年10月的销售情况最佳，可以重点看看10月份的销售活动。

计算得出月均销售额为697501.54英镑，2011年9、10、11月远超平均值。

发现没有数字5，查找源数据集里是否不包含5的星期数。 真的没有5，查看原始数据以及对应的星期数，5代表星期六。

此处计算的是在一年观察时间段内，每个星期天数的累计订单数。星期四的订单数是最多的，怀疑有公司（周末不上班）在该电商平台购买用品和礼品。这里要特别提醒上面的结果是一年里面每一个星期的累计单数，数据集没有星期六的销售订单，需要跟电商公司确认。

跟销售量相吻合，累计周销售量在星期四达到峰值，临近周末回落，高度怀疑该电商平台出售的产品不是针对普通家庭消费者，因为周末是消费的低谷跟实际情况不符。

计算结果为160961.89欧元，这是每周平均销售额，给运营者提供一个参考，可以初步评价每一星期的销售情况，是高于还是低于平均值。

客单价=总的销售额/总的客户数，计算结果客单价为1947.87欧元，也即一年里面每个消费者平均贡献了1947.87欧元。

件单价=销售总额/售出产品总数量，计算结果为每件产品的平均价格为1.72欧元。

连带率=售出的产品总数/总的交易单数，计算结果连带率=274.04，在分析的一年时间段里，每一笔交易售出的平均产品总数为274件，这里怀疑有大量采购的用户。

可以算出2757/(2757+1540)≈64%的顾客都在此购买了不止一次

复购率：即当月内，购买多次的用户占比

复购率在20%-30%之间波动。

在原数据集说明中，订单号如果以字母c开头表示该订单为取消订单，所以在这里想看看退货的情况。

结果显示：array([False])，该数据集中并没有包含取消的订单，所以本次分析没能够涉及这一块。

Recency在这里定义为用户最后一次购物距离现在有多少个月。

先计算出最后一次购买时间距离最后一天的天数，然后再计算月分数。

为了了解数据集的情况，查看一下描述统计指标。

再切片看看分布情况。

大概有37.7%的客户在一个月之内有购物行为，再绘制条形图更加直观的观察数据。

分布总体来说比较理想，可以利用以客户为中心的商业理念来提高[1, 2]以及[2, 3]，即1～2个月，2～3个月之内有购物行为的用户。

Frequency在这里定义为购物频率，也即在分析的一年里面，用户总购买次数。

描述统计指标：

购买的频率差异很大，最小为1次，最大为200次，切片看数据分布情况。

大部分用户在一年的时间里购买次数在1～20次以内，比较符合实际情况。这里要注意有些离散的数值，比如一年里面消费100～120次的用户有1位用户，180～200次的用户有2位，后续的分析会针对这些离散值做特殊处理。

Monetary定义为用户在一年之内所花总金额

描述统计指标：

每个用户的消费总金额差异很大，最小值位2.9欧元，最大值位268478欧元。

再通过切片看数据分布：

跟购物频率F一样，购买金额也存在一些离散值，后续分析中会特别处理。

综合上面的计算，RFM的三个指标的数据区间范围分别是：

R [0.0, 12.1]

F [1.0, 200.0]

M [2.9, 268478.0]

RFM数据概览

单独抽出RFM直方图观看

可以看出购买商品的客户绝大多数是进行少量多次购买的客户

计算用于划分客户的阙值，R、F、M的均值（通过分布直方图可以发现该份数据不适合用中位数来分层，因此这里用均值做分层）

4297 rows × 3 columns

创建label分析

查看不同类型顾客的总数

各个类型顾客收入

为方便查看，把三个标签的直方图画在一起。

对数变换之后是标准化，使用公式：Z=(X-μ)/σ 可以使用scikit-learn里面preprocessing下面的StandardScaler实现标准化转换。

选择聚类数目的方法有好几种，这里采用的是Elbow Criterion method。

把计算的1-8个聚类数目情况画在一起，寻找Elbow弯点。

选择cluster_k=3进行分组聚类计算。

通过对比RFM模型得出这里的三个聚类0，1，2最具有价值的用户群是k_cluster = 2这个类别的用户。利用K-Means算法把用户进行分类，从而挖掘出价值用户，得出分析的最终结果。

找到k_cluster=2的价值用户，对价值用户的购物行为进行针对性分析，比如消费习惯（购物时段）、喜欢购买的商品种类、购物种类的关联性（喜欢一起购买的产品）等等，这样就可以给价值用户提供个性化的消费方案，针对价值用户提供以消费者为中心的智能商业模式。

用户已经进行分组，接下来看看不同类型用户的消费行为特征。

通过建立RFM模型及评分方法分组得出的结果显示，重要保持客户用户最近一次消费的平均值是21.2天，平均频率是302.4次，平均花费是7684.4英镑。

上面结果是使用K-Means方法得出的结果，价值用户最近一次消费的平均值是16.5 天，平均频率是244.6次，平均花费是5934.8英镑，结果比使用评分方法要更好一些。

上图是用户分组的情况，按照价值贡献情况排名分别是cluster2, cluster0, cluster1，价值用户cluster2占比23.74%。下面看看不同用户分组对销售额的贡献情况。

价值用户cluster2占比只有23.74%却贡献了72.10%的销售额，是业务的重点发展对象。

本项目利用Python语言对电子零售数据进行了数据分析和挖掘，计算分析主要有两个方面：（1）运营指标统计分析；（2）使用了两种方法RFM模型以及K-Means机器学习算法挖掘价值用户。

（1）通过运营指标统计分析，了解了该电子商务公司的整体运营情况，计算了月销售数量、月销售总额、月均销售额、周销售量、周销售总额、周均销售额、客单价、件单价、连带率，月新客占比，复购率通过这些指标了解到该电子商务公司月销售单数、月销售额在2011年的9月、10月以及11月有明显的增长，周销售额在星期四达到最高值，有64%的顾客购买了两次及以上的商品，相对来说该公司的销售额是较依赖回头客的模式。占总体客户15.99%的重要保持客户，贡献了63.07%的总销售额。。

（2）为了挖掘价值用户，使用了两种方法，第一个方法是利用RFM模型对用户进行评分分组，第二个方法是利用K-Means算法对用户进行“机器学习”分组，两种方法都挖掘出价值用户，比较两种方法得出的用户画像结果，RMF模型中重要保持客户占总体客户15.99%，贡献了63.07%的总销售额，K-Means方法得出的结果更好一些，最终挖掘出的价值用户占比23.74%却贡献了72.10%的销售额。

确定价值用户之后可以进一步学习价值用户的消费习惯，从而提供以消费者为中心的智能商业模式，根据实际应用情况进行多次迭代来优化价值用户挖掘的模型。

    以上就是本篇文章【电商零售交易数据分析】的全部内容了，欢迎阅览 ！ 文章地址：http://www.uqian.cn/news/4348.html 
     资讯      企业新闻      行情      企业黄页      同类资讯      首页      网站地图      返回首页 极顶速云移动站 http://m.uqian.cn/ , 查看更多