小华今天给分享python电商数据分析的知识，其中也会对python金融数据分析进行解释，希望能解决你的问题，请看下面的文章阅读吧！

python电商数据分析 python金融数据分析python电商数据分析 python金融数据分析


python电商数据分析 python金融数据分析


1、对于初级阶段的新电商来说，积累数据，找准运营方向，关注流量，开源是重点；对于中级阶段的电商，稳定客流，提高店铺销量是首要任务；对于很有规模的电商，更侧重留存与活跃，提升整体运营水平。

2、不同的阶段，对于数据分析指标的侧重点也不同。

3、本篇以某电商用户订单记录为例，侧重用户消费整体趋势和用户消费行为，对用户规模和用户黏性中的几个核心数据点进行分析展示：分析过程思维导图：数据来源于一家电商网站用户订单记录观察数据：1、日期需要转换格式2、大部分的订单购买商品数量较少，平均值在2个左右，极值99很大，存在干扰3、用户消费金额稳定，同样也存在极值干扰时间格式转换：需要按月分析数据，这里直接转为月份，忽略具体日期1、每月销量和销售额分布情况销量与销售额走势一致2、用户数量、订单数量分布情况订单量和用户数量线性分布图3、用户数量分布情况使用数据表，查看每月用户数量、销量和销售额用户平均消费金额不稳定，此消彼长用户平均消费次数在1-2次之间，1997-1998呈上涨趋势1、用户消费次数与消费金额用户消费金额、消费次数分布散点图根据散点图分布，极值影响，根据切比雪夫定理，筛选数据95%的数据集中在距离平均值5个标准之内去掉极值，重新调整后的分布图图形大致呈现线性回归，说明客单价稳定用户消费次数直方图:大部分集中在10次以内，小部分数据造成了干扰用户金额次数直方图大部分集中在元以下，绝大部分呈现集中趋势,小部分数据造成了干扰2、用户累计消费额占比按消费金额排序，使用累计加和函数，计算用户消费额占比用户人数是23750 50%的人只占了15%的消费额 消费总金额前4000名贡献了60%的消费额度也就是维护好这前4000名客户，可以完成KPI的60%3、新老客消费比每月新客趋势图每月老客趋势图4、单次用户消费数量只消费了一次的客户占比51.14%，有一半客户只购买了一次按月对比：5、用户分层——rfm模型使用数据表，提取出用户消费额、一次消费日期、消费数量数据将一次消费日期转为一次消费日距今的天数(由于数据是很早之前的，为了更好的展示数据，将对比标准改为所有用户一次消费的日期）数据以平均值作为x、y、z轴标准值，编写python函数，将用户M、R、F数据，划分象限，使用0、1作为标准值上下象限之分，给用户分别贴上标签。

4、8类标签分别是：重要保持客户、重要价值客户、重要发展客户、重要挽留客户、一般保持客户、一般价值客户、一般发展客户、一般挽留客户统计各标签用户的总销售额、总的消费频率，和人数一般挽留客户最多，重要保持客户第二，重要保持客户销售金额占比rfm客户分层散点图：从RFM分层可知，大部分用户为重要保持客户，但这是由于极值影响，拉高了平均值，用户划分不够准确6、用户分层——新老用户、活跃、回流、流失用户使用数据表，统计每月各用户消费情况，1表示当月购买过，0表示当月没有购买使用python函数，根据用户每月消费情况，贴上标签统计每月各类用户的数量更直观的面积图：计算回流率加入表中7、用户生命周期计算用户次购买和一次购买的时间平均生命周期为135天，最长544天用户的生命周期受只购买过一次的用户影响比较厉害，可以剔除剔除只购买一次的用户，可以看出，用户生命周期首位两端人数比较多，中间值相对少8、用户购买周期9、复购率复购率指自然月内，购买多次的用户占比使用applymap函数对用户购买各月购买次数进行标记复购率线形图复购率稳定在20%左右，前一个月因为有大量新用户，只购买了一次，拉低了复购率10、回购率回购率指曾经购买过且在某一时期内再次购买的用户占比使用前面分好的购买标记0为本月未购买，1为本月购买编写python函数，对用户回购情况贴上标签回购率线形图。

本文到这结束，希望上面文章对大家有所帮助。