中国统计网用数据分析“榨干”数据！( 二 )

本文插图
试运营期间整体订单分布情况从上表中，总体上可以看出，工作日的订单多于休息日的订单，在7-27~7-31和8-3~8-6期间出现订单销售高峰，这2段时间的订单量骤然增长。究其原因，与这3个实体网点做促销活动有很大关系，刺激了目标客户的购买行为。再单独将“星期”数据“拎”出来，得到下图：

本文插图
试运营期间一周订单分布情况从上图可以看出，一周的下单高峰集中在周三、周四这2天，周一和周二的订单量也和这两天相差无几，但是到了周五，特别是周末（周六和周日），订单量就陡然下降。总的来说，周中的下单量很大，周末的订单量很小，这与白领区的人群消费行为是一致的，无异常情况发生。得知以上几点信息后，在开展下一阶段的运营工作时，就可以在接下来的运营工作中准备如下事宜：

赶在用户下单高峰时期前，在营业网点安排好人员，做好部署工作，以便及时、快速的将货品送交到用户手中；
在用户下单高峰期到来前一段时间，做好APP和网站的系统维护，以免因下单量大出现技术问题，影响用户体验；
进行下一轮的推广工作时，可以选在周三和周四开展，这2天的用户下单意愿更强烈。

以上关于客户（时间上）行为的分析比较浅显，接下来的客户价值的分析才是“重头戏”呢！3
客户价值分析
这里的客户价值分析，小喵将用到RFM模型，其中涉及到3个重要的维度，即最近一次消费(Recency)、消费频率(Frequency)和消费金额(Monetary) 。

本文插图
RFM三维度含义关于这个模型的解释，小喵只搬出某度百科上的关键性语句，想更进一步去了解这个模型的同学自己去网上搜哈~

本文插图
某度百科上关于RFM模型的原理解释其中，各个维度的“深层次”含义是：最近一次消费能显示客户能受到的可能性有多大，最近一次消费的日期距离今天越近，消费者对产品/品牌的印象就越深刻，被广告推送召唤回来的可能性就越大客户的消费频次越高，代表客户对品牌或产品的忠诚度越高，当然这种客户也更有维系的价值，即使平时消费金额不多，但谁知道以后会不会有大手笔呢；消费金额（这里指的是“累计消费金额”）表示消费者的购买力大小，消费金额越大，这种顾客就越优质，当然我们要把他们当宝贝呵护起来~ 这种客户价值分析模型虽然很好，但是存在如下几个问题：

每个维度都可以分为5个级别，那么最终的结果是5*5*5=125个分类，客户群分得太细了！每个客户群组都要有一套针对性的方法，但这得要钱要人来做，这样的操作太繁琐、太反人类！
该模型中的F和M两个维度存在多重共线的问题，某一段时间内的消费频次和累计消费金额具有很强的相关性
一般情况下， R值的权重是3个指标中最大的，但这种判定忽略了客户的消费习惯和消费总量等因素，从而使最终结果的准确性受到某种程度的质疑

针对以上问题，小编决定对现有的RFM模型进行一些改良，并祭出“大杀器”—聚类分析，用以简化我们的深度分析工作。不过，在进行聚类分析之前，需要先预处理下之前的原始数据，除了保留“User ID”、“重点区块”这两个基本信息，还要保留及深度“析出”跟R、F、M这3个维度相关的若干指标：从“实付金额”这个指标中，通过相关函数进行运算，可以得到“最小消费金额”、“最大消费金额”、“平均消费金额”和“累计消费金额”这4个指标。而从“下单日期”这个指标，通过相关函数进行运算，可以得到“最初下单日期”、“最后下单日期”、“最初下单日期到今天的间隔天数”、“最近一次下单到今天间隔天数”及“累计购买频次”这5个指标。