Pandas——数据分析业务

1 推广效果分析 画图

有三个连续型的变量 ，要看他们之间的关系， 应该可以想到使用气泡图（特殊的散点图）

• x, y 散点半径大大小

Matplotlib 绘图可以满足我们所有的绘图需求

• 可以绘制文字， 绘制辅助线...

关于绘图的部分， 记住API是没必要的， 主要要掌握的是什么场景使用什么图形

• 直方，散点（气泡）， 柱状，折线，饼，热力图（相关性），箱线图（提琴图）

2 RFM 用户价值分群模型

精细化运营、精准营销

• 服务好老用户， 避免用户的流失， 能够从竞品的用户中挖过来新的用户

• 精细化运营， 精准营销很重要的一个环节就是给用户分群

  • 给用户分成不同的群体， 认为相同的群体用户有一些共性， 针对共性来指定运营的策略

  • AIPL AAAA AAAAA AARRR

  • RFM

数仓、数分的同学在精细化运营、精准营销起到的作用

• 提供数据的支持， 给用户贴上不同的标签， 这些标签是精细化运营、精准营销的抓手

  • 标签是通过一系列的规则计算出来的

• 给精细化运营、精准营销这些动作设计一系列考核指标， 用来评估运营的效果

2.1 RFM介绍

R recency 最近 分成两类 7天以内来过 高 低

F frequency 次数 90天以内 >15次 高 低

M monetory 金额 90天以内消费 >1500 高 低

计算RFM需要什么样的数据

• 带着会员ID的购物流水就可以计算RFM

  • id 时间 金额

RFM适合落地的业务

• 必须有消费，频率不能太低， 最适合的业务就是电商，外卖，旅游，打车

RFM如何使用

• 最简单的用法就是三个维度做二分 高低 高低 高低 给用户分成8群

• 还可以考虑做三分 低中高 1,2,3 给用户分成27群

• 也可以考虑分5份 1,2,3,4,5 每个维度来计算均值， 高于均值的 高， 低于均值的是低 还是划分成8群

2.2 RFM计算思路

ID， 时间，金额

① 用户ID做分组聚合， 计算出R， F ， M的聚合值

• R 用户ID分组， 取时间的max() 用今天的时间 - 时间的最大值 得到R ： 最后一次访问 距今7天

• F 用户ID分组， 计数 统计有多少笔订单 （有些业务需要先筛选一下数据，比如最近90天， 最近180天） 90天以内来了10次

• M 用户ID分组 对金额求和 一共花了1000元

② 制定打分的标准， 依据这个标准给 R， F ， M的聚合值转换成 1,2,3

pd.cut()

③ 把三个维度的分数拼接到一起 ， 用户贴上对应的标签

④ 结果的保