内容概述

本项目内容主要是基于Python的“百货商场用户画像描述与价值分析”，里面有详细的数据预处理、数据可视化和数据建模等步骤。同时，针对传统RFM模型进行了改进，构造了LRFMP模型来分析客户价值，挖掘客户价值的八个字段，并通过WordCloud形式展现了出来，可以对会员用户进行精准画像。

数据说明

数据集分为两部分，.xlsx结尾的是会员信息表，.csv结尾的是销售流水表。其中，会员信息表共有将近19万条记录，销售流水表共有接近189万条记录。

两个表包含了如会员卡号，消费产生时间，性别，出生时间，商品编码，销售数量，商品售价，消费金额，商品名称，此次消费的会员积分，收银机号，单据号，柜组编码，柜组名称，等级时间等 15 个特征。

• L（入会程度）：3个月以下为新用户，4-12个月为中等用户，13个月以上为老用户
• R（最近购买的时间）
• F（消费频次）：次数20次以上的为高频消费，6-19次为中频消费，5次以下为低频消费
• M（消费金额）：10万以上为高等消费，1万-10万为中等消费，1万以下为低等消费
• P（消费积分）：10万以上为高等积分用户，1万-10万为中等积分用户，1万以下为低等积分用户

技术点

• 数据预处理：包括去重去缺失值、异常值处理、变量重编码和时间序列数据处理方式等；
• 数据可视化：饼图、柱状图、折线图、雷达图和复合图等绘制方式等；
• 特征创造和数据建模：从海量连续数据中创造出性别、消费偏好、入会程度、最近购买的时间、消费频次、消费金额、消费积分等类别数据，建模部分主要通过标准化和归一化数据来对比KMeans聚类的轮廓系数结果。

主要内容

4 会员用户画像和特征字段创造

4.1 构建会员用户基本特征标签

说明积分这一列没有存在异常值

查看登记时间和消费产生的时间是否存在异常值，即大于2018-01-03

筛掉两列异常时间的数据

说明单个会员有多条消费记录数

可以先筛选每位会员，然后依据各个字段对进行运算，求出对应的LRFMP

自定义一个函数来实现两列数据时间相减

开始登记的时间 和 最后一次消费的时间

调用函数

会员消费的总次数：
会员消费的总金额：
会员的积分总数：

创造一列特征字段“消费时间偏好”（凌晨、上午、中午、下午、晚上）

会员消费的时间偏好，在多项记录中取众数

会员性别

开始构建对应的特征标签

构建会员用户业务特征标签

取DataFrame之后转置取values得到一个列表，再绘制对应的词云，可以自定义一个绘制词云的函数，输入参数为df和会员卡号

查看数据的基本特征

描述性统计

开始对数据进行分组

保存数据

4.2 会员用户词云分析

开始绘制用户词云，封装成一个函数来直接显示词云

随机查找一个会员来绘制用户画像

5 会员用户细分和营销方案制定

5.1 会员用户的聚类分析及可视化

先对数据进行标准化处理

对数据进行聚类

构造一个绘制聚类可视化效果雷达图的函数

从上面可以看出，标准化后的数据聚类效果相较于归一化的更好，且从轮廓系数和聚类雷达图也可以看出，聚类数最佳为2。因此，下面我们使用聚类数为2的标准化数据进行聚类，得到两类客户的LRFMP均值数据，以此来判断两者之间的差异

5.2 对会员用户进行精细划分并分析不同群体带来的价值差异

以聚类数为2贴上对应的标签

统计一下两类用户之间的差异，发现两类客户之间数量相差过大

用均值来计算两类样本之间的LRFMP

从上面可以看出，标签为1的客户消费频次、消费金额和消费积分均远大于标签为0的客户，且这类客户所占的比例仅有2.3%，可以将其定义为“重要保持会员”。标签为0的客户所占比例为97.7%，其会员登记时间跟标签为1的比较接近，但最近一次消费时间较标签1的还要长，可以将其定义为“一般发展会员”

---

更多详细内容可看