python进阶客户流失

A. 基于RFM的客户价值分析报告

1. 项目背景
在制定针对客户的运营和营销策略时，我们希望根据不同的客户实施定制化策略，实现精准营销，以提高转化率。精准营销的基础是客户分类。通过客户分类，我们可以对客户群体进行细分，区分出低价值客户和高价值客户，并对不同客户群体提供个性化的服务。这样可以合理分配有限的资源，实现收益最大化。RFM模型是客户分类中的一个经典方法，它基于三个关键维度——最近消费(Recency)、消费频率(Frequency)、消费金额(Monetary)来细分客户群体，并分析不同群体的客户价值。
2. 项目目标
本项目利用某电商的客户数据，探讨如何对客户群体进行细分，并利用RFM模型对客户价值进行分析。项目的主要目标是：
1. 利用某电商的客户数据，对客户进行群体分类。
2. 比较不同细分群体的客户价值。
3. 根据客户价值制定相应的运营策略。
3. 分析过程
1. 数据预览
我们的原始数据是订单表，其中包含用户的交易信息。通过观察数据，我们发现订单状态有交易成功和退款关闭两种。我们检查是否存在其他情况，并只保留这两种状态的订单。然后，我们观察数据的类型和缺失情况。订单表共有28,833行数据，没有缺失值，付款日期是日期格式，实付金额、邮费和购买数量是数值型，其他字段是字符串类型。
2. 数据清洗
(1) 剔除退款订单。
(2) 提取关键字段：买家昵称，付款时间和实付金额。
(3) 构造关键字段：构建RFM模型所需的三个字段，R（最近一次购买时间间隔），F（购买频次），M（平均或累计购买金额）。
首先计算R值，按买家昵称分组，选取付款日期最大值。为了得到R值，我们用当前日期减去每位用户最近一次付款时间。然后计算F值，即每个用户的累计购买频次。对于M值，我们计算用户平均支付金额，通过总金额除以购买频次得出。
3. 维度打分
维度打分的核心是确定分值。在RFM模型中，通常采用5分制，根据数据和业务理解进行分值划分。R值根据行业经验设置为30天一个跨度，左闭右开。F值与购买频次挂钩，每多购买一次，分值增加一分。M值按照50元一个区间划分。这一步确定了每个用户每个指标对应的分值。
4. 分值计算
(1) 计算每个用户的R、F、M分值。
(2) 简化分类结果：通过比较每个客户的R、F、M值与平均值，将结果分为8个组别。
5. 客户分层
根据R、F、M每个指标是否高于平均值，将用户划分为8类。使用python实现时，首先定义一个人群数值，将R、F、M是否大于均值的三个值相加。人群数值较高的类别将自动忽略前面的0，例如1代表高消费唤回客户，10代表一般客户。然后，在Python中定义一个判断函数，根据人群数值返回相应的分类标签。
6. 数据解读与建议
首先，查看各类用户的占比情况。然后，查看不同类型客户对消费金额的贡献占比。最后，在Tableau中进行数据可视化展示。通过可视化分析，我们发现：
1. 流失客户占比超过总客户的50%，客户流失情况严重。
2. 高消费唤回客户和频次深耕客户的金额总占比约66%，是消费的重点客户。
3. 流失客户和新客户的总人数占比约38%，但金额总占比只有约13%。
建议：
1. 对高消费唤回客户和流失客户采用唤回策略，如推送相关信息、发放礼品券等，以挽留客户。
2. 对高消费唤回客户和频次深耕客户，深入挖掘其消费特性，如喜爱购买的产品、消费的时间段等，据此加强店铺产品与时间段的改进，以留住这两部分客户。
3. 针对流失客户和新客户金额总占比低的情况，推出一些低价产品，以吸引新客户，保证店铺的活跃性。

B. 知乎，豆瓣，果壳都是python开发的，是不是python程序员都比较文艺还是文艺青年都喜欢python

这个一点关系都没有。我相信最初设计这些网站的人，选择什么语言开发，当然是选择自己最熟悉的语言去实现。进了公司后，才会考虑性能，开发周期，维护难度等等问题。

内在动机，除了自身的创作冲动，一个网站能吸引优质粉丝，一定是它激发了你隐隐之中对自己的想象、期待和深刻的身份认同。它提示，你是一个什么样的人，想成为什么样的人。这种提示通过你创作、浏览网站内容，及与网站其它成员之间的互动完成。一些大而杂的社区网站之所以衰落，是因为它只提供信息，却没法提示，你是什么样的人。而另一些小网站，原来有清晰的身份辨识度，但随着用户的大量涌入，这种身份辨识度越发模糊，最终引发老用户的焦虑和流失。

C. 用Python做生存分析--lifelines库简介

Python提供了一个简单而强大的生存分析包——lifelines，可以非常方便的进行应用。这篇文章将为大家简单介绍这个包的安装和使用。

lifelines支持用pip的方法进行安装，您可以使用以下命令进行一键安装：

在python中，可以利用lifelines进行累计生存曲线的绘制、Log Rank test、Cox回归等。下面以lifelines包中自带的测试数据进行一个简单的示例。

首先加载和使用自带的数据集：

运行一下将会看到以下结果，

数据有三列，其中T代表min(T, C)，其中T为死亡时间，C为观告坦桥测截止时间。E代表是否观到“死亡”，1代表观测到了，0代表未观测到，即生存分析中的删失数据，共7个。 group代表是否存在病毒， miR-137代表存在病毒，control代表为不存在即对照组，根据统计，存在miR-137病毒人数34人，不存在129人。

利用此数据取拟合拟生存分析中的Kaplan Meier模型（专用于估计生存函数的模型），并绘制全体人群的生存曲线。

图中蓝色实线为生存曲线，浅蓝色带代表了95%置信区间。随着时间增加，存活概率S(t)越来越小，这是一定的，同时S(t)=0.5时，t的95%置信区间为[53, 58]。这并不是我们关注的重点，我们真正要关注的实验组（存在病毒）和对照组（未存在病毒）的生存曲线差异。因此我们要按照group等于“miR-137”和“control”分组，分别观察对应的生存曲线:

可以看到，带有miR-137病毒的生存曲线在control组下方。说明其平均存活时间明显小于control组。同时带有miR-137病毒存活50%对应的存活时间95%置信区间为[19,29]，对应的control组为[56,60]。差异较大，这个方法可以应用在分析用户流失等场景，比如我们对一组人群实行了一些防止流行活动，我们可以通过此种方式分析我们活动是否有效。

该模型以生存结局和生存时间为应变量，可同时分析众多因素对生存期的影响，能分析带有截尾生存时间的资料，且不要求估计资料的生存分布类型。

对于回归模型的假设检验通常采用似然比检验、Wald检验和记分检验，其检验统计量均服从卡方分布。，其自由袜猛度为模型中待检验的自变量个数。一般说来，Cox回归系数的估计和模型的假设检验计算量较大，通常需利用计算机来完成相应的计算

通常存活时间与多种因素都存在关联，因此我们的面临的数据是多维的。下面使用一个更复杂的数据集。首先仍然是导入和使用示例数据。

[图片上传中...(24515569-a5987d05b5e05a26.png-4ed038-1600008755271-0)]

其中T代表min(T, C)，其中T为死亡时间，C为观测截止时间。E代表是否观察到“死亡”，1代表观测到了，0代表未观测到，即生存分析中的 “删失信老” 数据，删失数据共11个。var1,var2,var3代表了我们关系的变量，可以是是否为实验组的虚拟变量，可以是一个用户的渠道路径，也可以是用户自身的属性。
我们利用此数据进行Cox回归

从结果来看，我们认为var1和var3在5%的显着性水平下是显着的。认为var1水平越高，用户的风险函数值越大，即存活时间越短（cox回归是对风险函数建模，这与死亡加速模型刚好相反，死亡加速模型是对存活时间建模，两个模型的参数符号相反）。同理，var3水平越高，用户的风险函数值越大。