簡介
項目介紹：使用 Kaggle 的 E-Commerce 數(shù)據(jù)集洽故。 該數(shù)據(jù)集基于一個英國禮品電商公司 13 個月的真實交易數(shù)據(jù)锌杀。通過用戶消費行為分析泻仙， 建立 RFM 模型進行用戶分層糕再， 針對性維護高價值用戶突想， 實現(xiàn)精細化用戶運營管理究抓。
負責內(nèi)容： 1. 使用 SQL 語法 select/alter/update/create 等對數(shù)據(jù)集進行清洗加工刺下，實現(xiàn)缺失值橘茉、異常值和重復值處理捺癞，日期格式轉(zhuǎn)換與清洗后數(shù)據(jù)新表建立髓介。
- 使用 Power BI 實現(xiàn)可視化展示唐础，用于分析消費頻次一膨、 累計消費金額豹绪、新老客戶占比、用戶生命周期括尸、 復購率與回購率等指標濒翻。 針對不同用戶制定合運營策略有送。
- 建立 RFM 模型將用戶分為八類群體娶眷， 分析八類客戶的月度訂單量届宠、消費金額與地域特點豌注，進一步刻畫群體特征轧铁。 方便精準營銷以降低運營成本齿风。
項目背景
本項目基于一個英國電商公司從2010年12月1日到2011年12月9日的真實交易數(shù)據(jù)集。該電商主要銷售的商品是各類禮品脸候， 主要客戶是來自不同國家的的分銷商运沦。本文主要使用SQL語法分析月度消費趨勢携添、個體消費情況烈掠、RFM用戶分層向叉、用戶生命周期母谎、計算復購率與回購率等關鍵指標奇唤，并使用Power BI實現(xiàn)數(shù)據(jù)可視化咬扇。希望從數(shù)據(jù)中更深入的了解用戶消費行為懈贺，為商家運營提供洞察。
分析目的
利用數(shù)據(jù)探索用戶消費趨勢财忽，為商家制定營銷策略提供分析及建議，并利用RFM模型實現(xiàn)客戶精細化管理。
分析框架
- 用戶月度消費趨勢分析（消費金額伏尼、產(chǎn)品數(shù)量烦粒、消費人數(shù)扰她、消費次數(shù)徒役、客單價杉女、訂單均價）
- 用戶個體消費情況分析（用戶地域熏挎、消費金額頻次坎拐、累計消費金額曲線）
- 用戶消費行為分析（用戶首購與最后一次購買時間分析哼勇、每月新老用戶占比、用戶分層RFM模型及各類用戶數(shù)量和占比）
- 用戶生命周期分析（用戶購買周期帝璧、用戶生命周期）
- 用戶月度復購率和回購率分析
分析過程
1. 數(shù)據(jù)預處理
這部分主要包括無關字段的刪除聋溜，缺失值檢查撮躁，異常值檢查把曼、重復值檢查與日期格式統(tǒng)一。
- 由于解決問題不需要用到Description字段叙赚，故去除該列震叮。
- 本文不分析InvoiceNo列中以C開頭的退貨情況苇瓣，故也將此部分行刪去哲嘲。
create table datanew as select CustomerID, InvoiceNo, InvoiceDate, StockCode, Quantity, UnitPrice, Country from data where InvoiceNo not like 'C%' ;
SELECT count(*) FROM `datanew`;
處理完成后共有532621條數(shù)據(jù)眠副。
異常值檢查
接著看下數(shù)據(jù)是否有缺失值。
select sum(case when CustomerID is null then 1 else 0 end) as '客戶編號',
sum(case when InvoiceNo is null then 1 else 0 end) as '訂單編號',
sum(case when InvoiceDate is null then 1 else 0 end) as '訂單日期',
sum(case when StockCode is null then 1 else 0 end) as '產(chǎn)品編號',
sum(case when Quantity is null then 1 else 0 end) as '產(chǎn)品數(shù)量',
sum(case when UnitPrice is null then 1 else 0 end) as '產(chǎn)品單價',
sum(case when Country is null then 1 else 0 end )as '國家' from datanew;
上圖說明客戶編號存在134697條缺失光涂，需與業(yè)務確認缺失原因，由于本次分析已客戶為主體恋博，故缺失客戶編碼的數(shù)據(jù)刪除债沮。
create table cleandata as select * from datanew where CustomerID is not null;
SELECT count(*) FROM cleandata;
清洗后數(shù)據(jù)共397924條。
異常值檢查
SELECT max(quantity),min(quantity), max(unitprice),min(unitprice), max(invoicedate),min(invoicedate) FROM cleandata;
其中產(chǎn)品數(shù)量和訂單時間無異常，但產(chǎn)品單價存在為0的異常值鲤拿，這類商品可能是贈品近顷，不應該算入用戶主動消費行為中窒升，故刪除。
delete from cleandata where unitprice=0;
SELECT count(*) FROM cleandata;
清洗后數(shù)據(jù)共397884條冤寿。
重復值檢查
create table cleandata1 as select distinct * from cleandata;
select count(*) from cleandata1;
最終清洗后數(shù)據(jù)共392690條殴瘦。
格式轉(zhuǎn)換
將訂單時間列字符串轉(zhuǎn)化為統(tǒng)一的sql日期格式蚪腋，方便使用日期函數(shù)進行操作。
UPDATE cleandata1 set InvoiceDate= str_to_date(InvoiceDate,'%m/%d/%Y %H:%i');
預處理完成如下：
2. 月度消費趨勢分析（消費金額悠砚、產(chǎn)品數(shù)量、消費人數(shù)枢泰、消費次數(shù)衡蚂，客單價毛甲，訂單均價）
select left(invoicedate,7) as Date, sum(quantity*unitprice) as Amount from cleandata1 group by left(invoicedate,7);
select left(invoicedate,7) as Date, sum(quantity) as Quantity from cleandata1 group by left(invoicedate,7);
select left(invoicedate,7) as Date, count(distinct invoiceno) as order_num, count(distinct customerid) as customer_num from cleandata1 group by left(invoicedate,7);
select left(invoicedate,7) as Date, round((sum(quantity*unitprice)/count(distinct customerid)),2) as Amount_per_customer from cleandata1 group by left(invoicedate,7);
select left(invoicedate,7) as Date, (sum(quantity*unitprice)/count(distinct invoiceno)) as Amount_per_order from cleandata1 group by left(invoicedate,7);
上圖可知，消費金額從2010年12月到2011年8月比較穩(wěn)定，呈波動上升趨勢坑雅；2011年8月開始明顯上升裹粤，在11月達到最高值約110+萬遥诉，12月卻迅速回落霉翔。
上圖可知债朵，產(chǎn)品消費數(shù)量在2011年8月之前沿平均約35萬件的位置來回波動，從8月開始上升谚中，在11月達到峰值約67萬件藏杖，12月回落至不到30萬件的位置点寥。
上圖可知敢辩，消費次數(shù)總體大于消費人數(shù)盗冷，走勢基本相同仪糖。2011年8月前月均消費約1200次，月均消費人數(shù)約900人蟆湖。在8月兩變量開始提升后诬垂，到11月均達到峰值结窘，消費次數(shù)約為2600蹲缠，消費人數(shù)約為1600线定。
上圖可知，人均消費金額總體大于訂單均價芭商，走勢基本相同。2011年1月兩者均出現(xiàn)小高峰簸州，可能與活動有關岸浑。2011年2月到2011年9月較平穩(wěn)，分別約為450和650元读虏。兩變量峰值均出現(xiàn)在2011年12月掘譬，分別約為850和670元。
3. 用戶個體消費情況分析（用戶地域靴拱、消費金額頻次本谜、累計消費金額曲線）
用戶地域分析
SELECT Country, round(sum(Quantity*UnitPrice),2) as Amount, count(distinct InvoiceNo) as order_num, round(sum(Quantity*UnitPrice)/count(distinct InvoiceNo),2) as Average_order_price, count(distinct CustomerID) as customer_num, round(sum(Quantity*UnitPrice)/count(distinct CustomerID),2) as per_customer_transaction FROM `cleandata1` group by Country order by Amount desc;
上圖可知陌知，超過90%的用戶來自英國仆葡，且貢獻近82%的銷售金額把篓。值得一提的是韧掩，查看原始數(shù)據(jù)發(fā)現(xiàn)郎楼，荷蘭和愛爾蘭用戶數(shù)僅有12個呜袁，但消費金額卻排名第二和三虹钮，占有6%芙粱。說明荷蘭和愛爾蘭存在采購量極大的大客戶需重點關注。另外律姨，有9個國家只有1個客戶扣孟，建議衡量投入產(chǎn)出比凤价，適當放棄一些地區(qū)料仗，集中優(yōu)勢在英國。進一步看下各國家人均訂單量和人均消費量伏蚊。
上圖可知立轧，人均消費量TOP5分別來自愛爾蘭、荷蘭躏吊、新加坡氛改、澳大利亞和瑞典比伏。說明這些地區(qū)大客戶較多胜卤，而英國小客戶較多。
消費金額頻次分析
select t.bins, count(t.ct) as Frequency from
(select customerid, count(customerid) as ct, sum(quantity*unitprice) as amount,
case when sum(quantity*unitprice)>0 and sum(quantity*unitprice)<=250 then '0-250'
when sum(quantity*unitprice)>250 and sum(quantity*unitprice)<=500 then '250-500'
when sum(quantity*unitprice)>500 and sum(quantity*unitprice)<=750 then '500-750'
when sum(quantity*unitprice)>750 and sum(quantity*unitprice)<=1000 then '750-1000'
when sum(quantity*unitprice)>1000 and sum(quantity*unitprice)<=1250 then '1000-1250'
when sum(quantity*unitprice)>1250 and sum(quantity*unitprice)<=1500 then '1250-1500'
when sum(quantity*unitprice)>1500 and sum(quantity*unitprice)<=1750 then '1500-1750'
when sum(quantity*unitprice)>1750 and sum(quantity*unitprice)<=2000 then '1500-1750'
when sum(quantity*unitprice)>2000 and sum(quantity*unitprice)<=2250 then '1500-1750'
when sum(quantity*unitprice)>2250 and sum(quantity*unitprice)<=2500 then '1500-1750'
else 'over2500' end as bins
from cleandata1
group by customerid) t
group by t.bins;
去除幾個極大值后赁项，我們發(fā)現(xiàn)葛躏，用戶消費金額集中在0~500元，有約1750名用戶悠菜，占比約40%舰攒。
累計金額曲線
select n, CustomerID, M, sum(a.M) over(order by a.n) AS cumsum, (sum(a.M) over(order by a.n)/8886657.04) as per
from
(SELECT CustomerID, M, row_number() over(order by M) as n FROM `rfm2` order by M) a;
上圖中橫坐標表示累計用戶數(shù)量，縱坐標表示累計消費金額百分比悔醋。分析可知摩窃，50%的用戶僅貢獻約10%的消費金額，80%的用戶貢獻約25%的消費金額芬骄，也就是說存在20%高價值客戶貢獻約75%的金額猾愿，基本符合消費二八定律。集中精力拓展與這20%高價值客戶的合作账阻，比分散精力對所有客戶更值得蒂秘。排名4000以后的300余名用戶（不到10%）則貢獻了約60%的消費金額，這部分是最需要維系的大客戶淘太。
4. 用戶消費行為分析
用戶首購與最后一次購買分析
select customerid, min(InvoiceDate), max(InvoiceDate), DATEDIFF(max(InvoiceDate), min(InvoiceDate)) from cleandata1 group by CustomerID order by CustomerID;
上圖可知姻僧，用戶首購時間最多集中在2010年12月上半月观挎，每日均值大于50人；從2011年1月開始首購人數(shù)保持平穩(wěn)段化，每日均值約為15人嘁捷。可能10年12月份因該電商新成立在引流期有優(yōu)惠引入了大量新用戶显熏，但之后新用戶流入減少雄嚣。后續(xù)新用戶能維持在一定水平，是運營平穩(wěn)的表現(xiàn)喘蟆。
上圖可知缓升，從2010年12月到2011年9月用戶最后一次購買穩(wěn)定集中在15人左右；而從9月開始大幅上升蕴轨，12月最高值達到100+人港谊。時間越長，流失部分用戶也是比較正常的情況橙弱。在新用戶大量增加的前期沒有大量流失歧寺，且大量用戶最后一次購買集中在最后的統(tǒng)計日期，說明大多數(shù)用戶近三個月有購買記錄棘脐，仍處于活躍購買狀態(tài)斜筐，并沒有在引入后快速流失，是比較理想的蛀缝。
每月新老用戶占比
select left(c.InvoiceDate,7), count(distinct a.CustomerID), left(a.min_date,7) from
(select CustomerID, min(InvoiceDate) as min_date from cleandata1 group by CustomerID) a
join cleandata1 c
on a.CustomerID=c.CustomerID
where left(c.InvoiceDate,7)=left(a.min_date,7)
group by left(c.InvoiceDate,7);
上圖可知顷链，從2010年12月開始至2011年6月，新用戶占比持續(xù)下降屈梁，用戶流失風險高嗤练；直到2011年7月有所回升，可與業(yè)務人員確認原因在讶，7月至12月趨于穩(wěn)定煞抬，基本維持在25%左右。
基于RFM模型的用戶分層
RFM模型包含三個關鍵維度真朗，最近一次消費 (Recency)此疹、消費頻率(Frequency)和消費金額 (Monetary)。使用這三個維度對用戶進行分類遮婶，可以將用戶分為2x2x2=8種類型，之后根據(jù)每類用戶的消費特征進行精細化運營湖笨。
接下來依次求R值旗扑、F值、M值慈省。
create table rfm as SELECT *, datediff('2011-12-10',max(InvoiceDate)) as R, count(distinct InvoiceNo) as F, round(sum(Quantity*UnitPrice),2) as M from cleandata1 group by CustomerID;
給RFM模型打分的方法大概有兩種臀防，1. 選取分位數(shù)打分。 2. 依據(jù)行業(yè)和業(yè)務經(jīng)驗設定閾值。這里選擇分位數(shù)法袱衷，由于SQL不方便進行RFM打分分層捎废，這里使用python計算分位數(shù)。
通過pd.cut方法致燥，將用戶分層并打上標簽登疗，這里我用的分層方法是python中的quantile函數(shù)。
import math
def quantile_p(data, p):
#pos = (len(data) + 1)*p
pos = 1 + (len(data)-1)*p
pos_integer = int(math.modf(pos)[1])
pos_decimal = pos - pos_integer
Q = data[pos_integer - 1] + (data[pos_integer] - data[pos_integer - 1])*pos_decimal
return Q
data = df['R'].sort_values().tolist()
Q1 = quantile_p(data, 0.2)
print("Q1:", Q1)
Q2 = quantile_p(data, 0.4)
print("Q2:", Q2)
Q3 = quantile_p(data, 0.6)
print("Q3:", Q3)
Q4 = quantile_p(data, 0.8)
print("Q3:", Q4)
將R嫌蚤、F辐益、M分別打分（分層）。
create TABLE rfm1 AS select *,
(case when R<=13.8 then 5
when R>13.8 AND R<=33 then 4
when R>33 AND R<=72 then 3
when R>72 AND R<=180 then 2 else 1 end) as 'score_R',
(case when F<=1 then 1
when F>1 AND F<=2 then 2
when F>2 AND F<=3 then 3
when F>3 AND F<=6 then 4 else 5 end) as 'score_F',
(case when M<=249.34 then 1
when M>249.34 AND M<=487.41 then 2
when M>487.41 AND M<=933.35 then 3
when M>933.35 AND M<=2055.05 then 4 else 5 end) as 'score_M' FROM rfm;
接下來脱吱，求出R智政、F、M的均值箱蝠，以均值為界续捂，將每個變量分為高低兩維度（大于等于均值取1，小于均值取0）宦搬。
select ROUND(AVG(score_R),1) as avg_R, ROUND(AVG(score_F),1) as avg_F, ROUND(AVG(score_M),1) as avg_M from rfm1;
alter table rfm1 add (final_R int, final_F int, final_M int);
update rfm1 set final_R=1 where score_R>=3.0;
update rfm1 set final_R=0 where score_R<3.0;
update rfm1 set final_F=1 where score_F>=2.6;
update rfm1 set final_F=0 where score_F<2.6;
update rfm1 set final_M=1 where score_M>=3.0;
update rfm1 set final_M=0 where score_M<3.0;
生成用戶分層表
create table rfm2 as SELECT *,
(case when final_R=1 and final_F=1 and final_M=1 then '重要價值客戶'
when final_R=0 and final_F=1 and final_M=1 then '重要喚回客戶'
when final_R=1 and final_F=0 and final_M=1 then '重要發(fā)展客戶'
when final_R=0 and final_F=0 and final_M=1 then '重要挽留客戶'
when final_R=1 and final_F=1 and final_M=0 then '潛力客戶'
when final_R=0 and final_F=1 and final_M=0 then '一般客戶'
when final_R=1 and final_F=0 and final_M=0 then '新到客戶'
when final_R=0 and final_F=0 and final_M=0 then '流失客戶' end) as 客戶分類
FROM rfm1
用戶數(shù)量分析
上圖分析發(fā)現(xiàn)疾忍，所有客戶中重要價值客戶最多，占總數(shù)的35.73%床三；總體來說是一個不錯的情況一罩，因為這類型客戶的價值最高，應努力提高該類型客戶的滿意度撇簿，增加留存量聂渊。其次是流失客戶21.99%，新到客戶14.91%四瘫，重要挽留客戶8.78%汉嗽，重要發(fā)展客戶7.98%和重要喚回客戶7.51%。另外找蜜，不難看出在近一年的交易中饼暑，有21.99%是處于流失邊緣的客戶。為什么會流失洗做？哪些地區(qū)的流失情況比較嚴重弓叛？流失的客戶都有哪些特點？都是需要引起注意的問題诚纸。
消費金額分析
上圖可見撰筷，貢獻最高金額和訂單數(shù)的是重要價值客戶，金額690萬畦徘，訂單數(shù)1550個遠超其他客戶毕籽。重要喚回客戶貢獻金額位列第二抬闯，為60萬，這類客戶是高頻次和高金額的用戶关筒，將其恢復購買可以帶來可觀的收益溶握，流失原因需要結(jié)合業(yè)務情況和訂單進一步研究。
流失客戶和新到客戶呈現(xiàn)高訂單數(shù)低消費金額的情況蒸播，說明新客戶很多是被優(yōu)惠活動引入睡榆，而流失用戶可能包含一些羊毛用戶。
用戶地域分析
條形圖按消費人數(shù)正向排序廉赔，總體來看肉微，重要價值客戶都保持在四分之一到二分之一的比例，活躍客戶群較穩(wěn)定蜡塌，維系此類客戶可以提供VIP待遇碉纳，提升用戶滿意度。
英國本土要注意流失客戶數(shù)量較多馏艾，對于該國策略可以采取保持重要價值客戶劳曹，并找到客戶流失原因，減少重要挽回向流失用戶轉(zhuǎn)化琅摩。對于德國來說重要挽留客戶第二多铁孵，挽留客戶有較高流失風險，要主動聯(lián)系用戶并明確流失原因房资，再次激活用戶購物蜕劝。同時加大新客戶引入。法國情況基本與英國本土相同轰异。
營銷策略
· 重要價值客戶（111）目標是讓其一直留存下來岖沛，可以提供專項客服，個性化增值服務等搭独。
· 重要喚回客戶（011）目標是喚回近期消費婴削，可以推出活動，精準提供所需資源牙肝，推送消息召回等唉俗。
· 重要發(fā)展客戶（101）目標提高消費頻次，可以推薦其他產(chǎn)品配椭，提供積分計劃或每日任務等虫溜。
· 重要挽留客戶（001）目標是讓其回歸再次消費并了解其不繼續(xù)購買的原因，可以使用電話或短信等聯(lián)系颂郎，調(diào)查原因吼渡，彌補不足。
· 新到客戶（100）目標是提高其消費興趣乓序，可以通過活動營銷寺酪，提供社群互動，砍價等策略留住用戶替劈。
· 一般客戶（010）屬于容易流失的群體寄雀，一般維持≡上祝可以使用贈送優(yōu)惠券盒犹、推動活動信息等方法與客戶重新聯(lián)系。
· 潛力客戶（110）目標挖掘其消費潛力眨业，可以多推薦價值更高且用戶喜好的產(chǎn)品急膀。
· 流失客戶（000）較大概率不是目標客戶，可以選擇性放棄龄捡。
5. 用戶生命周期分析
select count(distinct customerid) from cleandata1 group by datediff(max(invoicedate),min(invoicedate));
select count(distinct invoiceno) from cleandata1 group by datediff(max(invoicedate),min(invoicedate));
用戶生命周期分布受一次性購買用戶（用戶生命周期0天）影響比較嚴重卓嫂，故排除一次性購買用戶（共有1548名，占36%）重作圖聘殖。
總體上用戶平均生命周期131天晨雳，中位數(shù)93天。最大值為373天奸腺，最小值0天餐禁。
6. 用戶月度復購率和回購率分析
復購率：單位時間內(nèi)購買次數(shù)大于1的人數(shù)與當月總購買人數(shù)比值。
回購率：單位時間內(nèi)曾購買用戶在下一單位時間內(nèi)再次購買的人數(shù)與單位時間內(nèi)曾購買用戶比值突照。
（這里由于2011年12月的數(shù)據(jù)僅有9天帮非，考慮到可能影響整體結(jié)果，故不包括12月的復購率與2011年11月和12月的回購率）
月度復購率
SELECT 下單年月, COUNT(c) AS 下單人數(shù)
, COUNT(if(c > 1, 1, NULL)) AS 當月復購人數(shù)
, concat(round(COUNT(if(c > 1, 1, NULL)) / COUNT(c) * 100, 2), '%') AS '當月復購率'
FROM (
SELECT left(InvoiceDate,7) AS 下單年月
, CustomerID, COUNT(distinct InvoiceNo) AS c
FROM cleandata1
GROUP BY 下單年月, CustomerID
) a
GROUP BY 下單年月;
上圖可知讹蘑，月度復購率均值為23%末盔，根據(jù)《精益數(shù)據(jù)分析》中的理論，目前此電商處于用戶混合模式衔肢，在新用戶轉(zhuǎn)化和老用戶留存庄岖、復購上的應該做到平均分配精力和資源。前期復購率較低可能因為初創(chuàng)推廣期大量新用戶涌入角骤，造成分母被持續(xù)擴大隅忿。
90天內(nèi)重復購買率達到1%~15%；說明你處于用戶獲取模式邦尊；把更多的精力和資源投入到新用戶獲取和轉(zhuǎn)化背桐； 90天內(nèi)重復購買率達到15~30%；說明你處于混合模式蝉揍；平衡用在新用戶轉(zhuǎn)化和老用戶留存链峭、復購上的精力和資源； 90天內(nèi)重復購買率達到30%以上又沾；說明你處于忠誠度模式弊仪；把更多的精力和資源投入到用戶復購上熙卡；(《精益數(shù)據(jù)分析》原文)
月度回購率
SELECT a.date, COUNT(a.CustomerID) AS 當月購買人數(shù), COUNT(b.CustomerID) AS 次月回購人數(shù)
, concat(round(COUNT(b.CustomerID) / COUNT(a.CustomerID) * 100, 2), '%') AS 次月回購率
FROM (
SELECT DATE_FORMAT(InvoiceDate, '%Y-%m-%01') AS date, CustomerID
FROM cleandata1
GROUP BY date, CustomerID
ORDER BY date, CustomerID
) a
LEFT JOIN (
SELECT DATE_FORMAT(InvoiceDate, '%Y-%m-%01') AS date, CustomerID
FROM cleandata1
GROUP BY date, CustomerID
ORDER BY date, CustomerID
) b
ON a.CustomerID = b.CustomerID
AND a.date = date_sub(b.date, INTERVAL 1 MONTH)
GROUP BY date;
上圖所知，平均次月回購率達到了39%励饵，總體維持在一個不錯的水平驳癌。該電商復購率與回購率越高，反映消費者對品牌的忠誠度就越高役听。
小結(jié)
1颓鲜、用戶月度消費趨勢：
消費金額及數(shù)量：從2010年12月到2011年8月比較穩(wěn)定，呈波動上升趨勢典予。2011年8月開始明顯上升甜滨，在11月達到最高值，12月迅速回落瘤袖。
消費次數(shù)及人數(shù)：消費次數(shù)總體大于消費人數(shù)衣摩，走勢基本相同。2011年8月前月均消費約1200次孽椰，月均消費人數(shù)約900人昭娩。在8月兩變量開始提升后，到11月均達到峰值黍匾，消費次數(shù)約為2600栏渺，消費人數(shù)約為1600。
2锐涯、用戶個體消費情況：
地域分析：發(fā)現(xiàn)超過90%的用戶來自英國磕诊，且貢獻近82%的銷售金額。但荷蘭和愛爾蘭存在采購量極大的大客戶需重點關注纹腌。有9個國家只有1個客戶霎终，建議衡量投入產(chǎn)出比，適當放棄升薯。
累計消費金額分析：累計金額曲線發(fā)現(xiàn)20%高價值客戶貢獻約75%的金額莱褒，基本符合消費二八定律。集中精力拓展與這20%高價值客戶的合作涎劈，比分散精力對所有客戶更值得广凸。
3、用戶消費行為分析：
首購與末購分析：用戶首購時間最多集中在2010年12月上半月蛛枚，每日均值大于50人谅海；從2011年1月開始首購人數(shù)保持平穩(wěn)，每日均值約為15人蹦浦。從2010年12月到2011年9月用戶最后一次購買穩(wěn)定集中在15人左右扭吁；而從9月開始大幅上升，12月最高值達到100+人。
新老用戶分析：從2010年12月開始至2011年6月侥袜，新用戶占比持續(xù)下降蝌诡，用戶流失風險高；直到2011年7月有所回升系馆，7月至12月趨于穩(wěn)定送漠，基本維持在25%左右顽照。
4由蘑、RFM用戶分層分析：
單量、金額與人數(shù)分析：8種客戶中代兵，重要價值客戶訂單量尼酿、消費金額和人數(shù)均位列榜首；而重要喚回客戶的消費金額排第二位植影，但訂單量和人數(shù)均較落后裳擎；流失客戶人數(shù)和訂單量排第二，但消費金額僅排第五思币。
地域分析：總體來看鹿响，重要價值客戶都保持在四分之一到二分之一的比例，活躍客戶群較穩(wěn)定谷饿。英國本土要注意流失客戶數(shù)量較多惶我，對于該國策略可以采取保持重要價值客戶，并找到客戶流失原因博投，減少重要挽回向流失用戶轉(zhuǎn)化绸贡。對于德國來說重要挽留客戶第二多，挽留客戶有較高流失風險毅哗，要主動聯(lián)系用戶并明確流失原因听怕，再次激活用戶購物。同時加大新客戶引入虑绵。法國情況基本與英國本土相同尿瞭。
營銷策略：
· 重要價值客戶（111）目標是讓其一直留存下來，可以提供專項客服翅睛，個性化增值服務等声搁。
· 重要喚回客戶（011）目標是喚回近期消費，可以主動聯(lián)系召回（推送宏所、郵件酥艳、公眾號等），給予優(yōu)惠券等爬骤。
· 重要發(fā)展客戶（101）目標提高消費頻次充石，可以推薦其他產(chǎn)品，提供積分計劃或每日任務等霞玄。
· 重要挽留客戶（001）目標是讓其回歸再次消費并了解其不繼續(xù)購買的原因骤铃，可以使用電話或短信等聯(lián)系拉岁，調(diào)查原因，彌補不足惰爬。
· 新到客戶（100）目標是提高其消費興趣喊暖，可以通過活動營銷，提供社群互動撕瞧，砍價等策略留住用戶陵叽。
· 一般客戶（010）屬于容易流失的群體，一般維持丛版」簦可以使用贈送優(yōu)惠券、推動活動信息等方法與客戶重新聯(lián)系页畦。
· 潛力客戶（110）目標挖掘其消費潛力胖替，可以多推薦價值更高且用戶喜好的產(chǎn)品。
· 流失客戶（000）較大概率不是目標客戶豫缨，可以選擇性放棄独令。
5、用戶生命周期分析：
一次性購買用戶占36%好芭，排除這部分影響后燃箭，用戶平均生命周期131天，中位數(shù)93天栓撞。最大值為373天遍膜，最小值0天。
6瓤湘、復購率和回購率分析：
復購率：平均月度復購率為23%瓢颅，根據(jù)《精益數(shù)據(jù)分析》中的理論，目前此電商處于用戶混合模式弛说，在新用戶轉(zhuǎn)化和老用戶留存挽懦、復購上的應該做到平均分配精力和資源。前期復購率較低可能因為初創(chuàng)推廣期大量新用戶涌入木人，造成分母被持續(xù)擴大信柿。
回購率：平均次月回購率達到39%，總體維持在一個不錯的水平醒第。該電商復購率與回購率越高渔嚷，反映消費者對品牌的忠誠度就越高。
