python進階客戶流失

A. 基於RFM的客戶價值分析報告

1. 項目背景
在制定針對客戶的運營和營銷策略時，我們希望根據不同的客戶實施定製化策略，實現精準營銷，以提高轉化率。精準營銷的基礎是客戶分類。通過客戶分類，我們可以對客戶群體進行細分，區分出低價值客戶和高價值客戶，並對不同客戶群體提供個性化的服務。這樣可以合理分配有限的資源，實現收益最大化。RFM模型是客戶分類中的一個經典方法，它基於三個關鍵維度——最近消費(Recency)、消費頻率(Frequency)、消費金額(Monetary)來細分客戶群體，並分析不同群體的客戶價值。
2. 項目目標
本項目利用某電商的客戶數據，探討如何對客戶群體進行細分，並利用RFM模型對客戶價值進行分析。項目的主要目標是：
1. 利用某電商的客戶數據，對客戶進行群體分類。
2. 比較不同細分群體的客戶價值。
3. 根據客戶價值制定相應的運營策略。
3. 分析過程
1. 數據預覽
我們的原始數據是訂單表，其中包含用戶的交易信息。通過觀察數據，我們發現訂單狀態有交易成功和退款關閉兩種。我們檢查是否存在其他情況，並只保留這兩種狀態的訂單。然後，我們觀察數據的類型和缺失情況。訂單表共有28,833行數據，沒有缺失值，付款日期是日期格式，實付金額、郵費和購買數量是數值型，其他欄位是字元串類型。
2. 數據清洗
(1) 剔除退款訂單。
(2) 提取關鍵欄位：買家昵稱，付款時間和實付金額。
(3) 構造關鍵欄位：構建RFM模型所需的三個欄位，R（最近一次購買時間間隔），F（購買頻次），M（平均或累計購買金額）。
首先計算R值，按買家昵稱分組，選取付款日期最大值。為了得到R值，我們用當前日期減去每位用戶最近一次付款時間。然後計算F值，即每個用戶的累計購買頻次。對於M值，我們計算用戶平均支付金額，通過總金額除以購買頻次得出。
3. 維度打分
維度打分的核心是確定分值。在RFM模型中，通常採用5分制，根據數據和業務理解進行分值劃分。R值根據行業經驗設置為30天一個跨度，左閉右開。F值與購買頻次掛鉤，每多購買一次，分值增加一分。M值按照50元一個區間劃分。這一步確定了每個用戶每個指標對應的分值。
4. 分值計算
(1) 計算每個用戶的R、F、M分值。
(2) 簡化分類結果：通過比較每個客戶的R、F、M值與平均值，將結果分為8個組別。
5. 客戶分層
根據R、F、M每個指標是否高於平均值，將用戶劃分為8類。使用python實現時，首先定義一個人群數值，將R、F、M是否大於均值的三個值相加。人群數值較高的類別將自動忽略前面的0，例如1代表高消費喚回客戶，10代表一般客戶。然後，在Python中定義一個判斷函數，根據人群數值返回相應的分類標簽。
6. 數據解讀與建議
首先，查看各類用戶的佔比情況。然後，查看不同類型客戶對消費金額的貢獻佔比。最後，在Tableau中進行數據可視化展示。通過可視化分析，我們發現：
1. 流失客戶佔比超過總客戶的50%，客戶流失情況嚴重。
2. 高消費喚回客戶和頻次深耕客戶的金額總佔比約66%，是消費的重點客戶。
3. 流失客戶和新客戶的總人數佔比約38%，但金額總佔比只有約13%。
建議：
1. 對高消費喚回客戶和流失客戶採用喚回策略，如推送相關信息、發放禮品券等，以挽留客戶。
2. 對高消費喚回客戶和頻次深耕客戶，深入挖掘其消費特性，如喜愛購買的產品、消費的時間段等，據此加強店鋪產品與時間段的改進，以留住這兩部分客戶。
3. 針對流失客戶和新客戶金額總佔比低的情況，推出一些低價產品，以吸引新客戶，保證店鋪的活躍性。

B. 知乎，豆瓣，果殼都是python開發的，是不是python程序員都比較文藝還是文藝青年都喜歡python

這個一點關系都沒有。我相信最初設計這些網站的人，選擇什麼語言開發，當然是選擇自己最熟悉的語言去實現。進了公司後，才會考慮性能，開發周期，維護難度等等問題。

內在動機，除了自身的創作沖動，一個網站能吸引優質粉絲，一定是它激發了你隱隱之中對自己的想像、期待和深刻的身份認同。它提示，你是一個什麼樣的人，想成為什麼樣的人。這種提示通過你創作、瀏覽網站內容，及與網站其它成員之間的互動完成。一些大而雜的社區網站之所以衰落，是因為它只提供信息，卻沒法提示，你是什麼樣的人。而另一些小網站，原來有清晰的身份辨識度，但隨著用戶的大量湧入，這種身份辨識度越發模糊，最終引發老用戶的焦慮和流失。

C. 用Python做生存分析--lifelines庫簡介

Python提供了一個簡單而強大的生存分析包——lifelines，可以非常方便的進行應用。這篇文章將為大家簡單介紹這個包的安裝和使用。

lifelines支持用pip的方法進行安裝，您可以使用以下命令進行一鍵安裝：

在python中，可以利用lifelines進行累計生存曲線的繪制、Log Rank test、Cox回歸等。下面以lifelines包中自帶的測試數據進行一個簡單的示例。

首先載入和使用自帶的數據集：

運行一下將會看到以下結果，

數據有三列，其中T代表min(T, C)，其中T為死亡時間，C為觀告坦橋測截止時間。E代表是否觀到「死亡」，1代表觀測到了，0代表未觀測到，即生存分析中的刪失數據，共7個。 group代表是否存在病毒， miR-137代表存在病毒，control代表為不存在即對照組，根據統計，存在miR-137病毒人數34人，不存在129人。

利用此數據取擬合擬生存分析中的Kaplan Meier模型（專用於估計生存函數的模型），並繪制全體人群的生存曲線。

圖中藍色實線為生存曲線，淺藍色帶代表了95%置信區間。隨著時間增加，存活概率S(t)越來越小，這是一定的，同時S(t)=0.5時，t的95%置信區間為[53, 58]。這並不是我們關注的重點，我們真正要關注的實驗組（存在病毒）和對照組（未存在病毒）的生存曲線差異。因此我們要按照group等於「miR-137」和「control」分組，分別觀察對應的生存曲線:

可以看到，帶有miR-137病毒的生存曲線在control組下方。說明其平均存活時間明顯小於control組。同時帶有miR-137病毒存活50%對應的存活時間95%置信區間為[19,29]，對應的control組為[56,60]。差異較大，這個方法可以應用在分析用戶流失等場景，比如我們對一組人群實行了一些防止流行活動，我們可以通過此種方式分析我們活動是否有效。

該模型以生存結局和生存時間為應變數，可同時分析眾多因素對生存期的影響，能分析帶有截尾生存時間的資料，且不要求估計資料的生存分布類型。

對於回歸模型的假設檢驗通常採用似然比檢驗、Wald檢驗和記分檢驗，其檢驗統計量均服從卡方分布。，其自由襪猛度為模型中待檢驗的自變數個數。一般說來，Cox回歸系數的估計和模型的假設檢驗計算量較大，通常需利用計算機來完成相應的計算

通常存活時間與多種因素都存在關聯，因此我們的面臨的數據是多維的。下面使用一個更復雜的數據集。首先仍然是導入和使用示例數據。

[圖片上傳中...(24515569-a5987d05b5e05a26.png-4ed038-1600008755271-0)]

其中T代表min(T, C)，其中T為死亡時間，C為觀測截止時間。E代表是否觀察到「死亡」，1代表觀測到了，0代表未觀測到，即生存分析中的 「刪失信老」 數據，刪失數據共11個。var1,var2,var3代表了我們關系的變數，可以是是否為實驗組的虛擬變數，可以是一個用戶的渠道路徑，也可以是用戶自身的屬性。
我們利用此數據進行Cox回歸

從結果來看，我們認為var1和var3在5%的顯著性水平下是顯著的。認為var1水平越高，用戶的風險函數值越大，即存活時間越短（cox回歸是對風險函數建模，這與死亡加速模型剛好相反，死亡加速模型是對存活時間建模，兩個模型的參數符號相反）。同理，var3水平越高，用戶的風險函數值越大。