第10章 案例实战——销售业客户价值数据分析.pptx

第10章案例实战——

销售业客户价值数据分析

本章内容10.1销售业客户价值分析意义10.2程序设计思路10.3程序设计步骤

10.1销售业客户价值分析意义随着时代的发展，无论是电商平台还是线下零售企业，传统的销售模式已不再适应市场需求，未来销售行业的发展方向将以客户的需求为导向。需求导向的重点是消费者，聚焦正确的客户、提供合适的商品、以最低成本实现触达，实现个性化推荐和交叉销售，实现精准化运营。精准化运营的前提是客户关系管理，而客户关系管理的核心是客户分类。根据经济学帕累托原理，企业中20%的客户贡献了收入的80%，因此在资源有限情况下，对不同类型的客户进行价值分类，尽量获取、留存优质客户，差异化定价，定制化营销策略，才能最大限度地提升企业效益。

10.2程序设计思路（1）数据获取本案例使用了Kaggle平台中提供的数据集，该数据集为某零售商店2016年商品销售详细数据，这些数据是由商品销售点通过“扫描”单个商品的条形码获得的，数据包含所销售商品的数量、特点、价值以及价格的详细信息。表10-1数据集属性详情说明属性名属性类型说明Dateobject交易日期。Customer_IDint客户ID。Transaction_IDint交易ID。SKU_CategoryobjectSKU分类号。SKUobjectStockKeepingUnit，商品入库编码，每种不同属性的商品均对应唯一的SKU号。Quantityfloat销售数量。Sales_Amountfloat销售金额（单价*数量）。

10.2程序设计思路（2）消费数据分析①获取数据后，首先对数据集进行认识性分析，充分了解数据，如有异常数据，需对数据进行清洗。②清洗完成后，首先从时空维度对数据进行分析，因本数据集不涉及空间数据，因此仅从时间维度进行分析，观察销售淡、旺季规律。③从商品维度进行销售分析，找到销量TOP10、销售金额TOP10，如果数据集中包含利润数据，也可找到盈利的TOP10。④从客户维度进行消费分析，了解每月用户新增、对用户首购行为和最近一次购物行为进行规律分析、根据销售数量和销售金额分析每位客户的消费规律、消费分布分析、购物次数分析等。⑤使用RFM模型及KMeans模型对用户进行分层分析，区分不同价值客户群，制定不同的营销策略和方案。

10.3程序设计的步骤1．数据集下载在Kaggle平台中下载scanner_data.csv数据集。2．导入所需第三方库导入本案例所需第三方数据库，包括pandas，numpy，matplotlib的pyplot库，seaborn库，并为后续统计图中能够正确显示中文及符号进行相关设置。

10.3程序设计的步骤3．数据探索（1）数据读取df=pd.read_csv(scanner_data.csv,index_col=0)#读取数据，指定第一列为Index（2）数据描述print(df.shape) #显示DataFrame维度信息df.info() #显示DataFrame摘要信息df.head() #显示前5行数据信息

10.3程序设计的步骤4．数据清洗（1）重复值检查df.duplicated().sum()#重复值检测结果显示为0，即该数据集无重复记录。（2）缺失值检查df.isnull().sum() #缺失值检测在前述数据描述中，通过df.info()已经可以查看到该数据集各列均为非缺失值，此处运行结果如图10-2所示，可进一步验证各属性数据缺失值个数均为0。

10.3程序设计的步骤（3）异常值检查可使用箱型图对数值型数据进行异常值检测，如在该数据集中对Quantity及Sales_Amount绘制箱型图如图10-3所示。#异常值检测plt.figure(figsize=(16,6))plt.subplot(1,2,1) #1行2列子图中子图1sns.boxplot(x=df.Quantity) #为Quantity绘制箱型图plt.subplot(1,2,2) #1行2列子图中子图2sns.boxplot(x=df.Sales_Amount) #为Sales_Amount绘制箱型图plt.show()

10.3程序设计的步骤（3）异常值检查

10.3程序设计的步骤5．数据预处理df[Date]=pd.to_datetime(df.Date,format=%d/%m/%Y) df[Customer_ID]=df.Customer_ID.astype(str) df.info()df.set_index(Date,i