

美妆平台会员价值分析

数据分析与商业实践

2024-07-23

导读：新书速递，业务分析实战案例

本文含 3118字，13 图表截屏

4 ~ 6 分钟即可读完

本文源数据和包含详细注释的源代码在后台回复 ' 用户价值分析 ' 即可获取

前言

「用户价值分析」能够帮助企业评估和衡量客户对营收的贡献程度。通过将用户划分为具有相似特征或行为的群体，企业可以更好地了解不同用户群体的需求、喜好和消费行为，进而有针对性地制定个性化的营销策略和提供定制化的产品和服务。

本实战数据集来自某网购平台下美妆个护品类的会员消费记录（时间跨度：2015年1月1日～ 2018年1月4日）。要点包括：

用户价值分析原理
实战建模
识别对价格敏感的用户
识别囤货用户

分析原理

用户价值分析主要有分群分析、终身价值（CLV）分析、同期群分析等，篇幅原因本文只介绍分群分析中的 RFM 分析，并把重点放在 RFM 的实际应用上，这也是很能体现数据分析师水准高低的一个业务模型。

RFM 模型的核心思想是通过三个关键指标——最近一次消费时间（R：recency）、消费频率（F：frequency）和消费金额（M：monetary），对客户进行细分和评估，以确定客户的活跃度、忠诚度和贡献度。

其优势在于灵活性，因为这些指标可以根据不同领域和产品特性进行调整。例如，在互联网产品中，R、F、M可以分别对应最近一次登录、登录频率和在线时长。

除了划分标准统一且明确的行业，比如航空公司和酒店行业，依据百分位规则划分的方式会将数据转换成1～5分的计分，分值越高代表价值越高，一般可以按20%/40%/60%/80%分位数将数据计为1～5分。

得出三个指标的打分后，还需要把分值进行转换，这样才能进一步对用户进行划分。下图是其中最常用的一种计分方式，将1～5分的分值按对应的平均值进行划分，划分成0和1，数字0代表该指标下的低价值群体，数字1则代表高价值群体。

把用户按照R（最近一次消费）、F（消费频率）、M（消费金额）三个指标各自分层后，可以将其组合起来考虑，把用户划分为8类。

问题来了，得出这些类别后，又有什么用呢？RFM 模型最大的不足便是：它只能描述问题，但并不提供解决办法。

实战建模

因为 Python 实现 RFM 模型的全流程已经比较成熟，所以本次实战只展示建模结果和分析图，完整代码可在公众号后台回复“用户价值分析”获取。

数据探索

本实战数据集来自某网购平台下美妆个护品类的会员消费记录（时间跨度：2015年1月1日～ 2018年1月4日），数据预览如下：

参数说明：

会员卡号：用户注册会员后，平台自动为其分配的唯一标识符。
消费产生的时间：用户某笔消费产生的时间，精确到秒。
商品编码与商品名称：每一个商品名称都对应着唯一标识编码。
销售数量、商品售价：消费金额：消费金额(元)=商品售价×销售数量。
此次消费的会员积分：一般情况下（除打折或不参与积分的商品），消费金额数=积分数，即1元相当于1积分。
单据号：此次消费的电子单据号，唯一标识。
出生日期、性别、年龄：用户的个人信息。
登记时间、是否为会员：用户成为会员的时间。登记后才能成为会员，

如果不是会员，则用户的个人信息和登记时间都为NaN。

下面对理解数据集时可能出现的疑问做出了解释，这对了解业务背景很有帮助。

为什么有些记录会出现“有会员卡号但却不是会员”的现象（比如图中的前2条数据）？

原因可能有：

① 会员资格过期：用户曾经是会员，但会员资格已经过期。过期后用户需要重新申请或续费会员资格才能享受会员权益。

② 会员资格未激活：用户可能刚刚获得会员卡号，但还未激活会员资格。

当然还可能存在会员卡号泄露、冒用或登记错误的情况，这些较为特殊，不在本案例的考虑范围内。

时间跨度从2015 ～ 2018年，追踪的是同一批用户的消费行为吗？

是的，但当有新用户产生消费后，同样会被记录下来。所以，同一位用户可能会有多条“消费产生时间”的记录。同一用户在同一时间多次产生消费时（比如在某一个时间节点下单了多件产品），消费次数只算一次，会产生一个专属的单据号，即消费次数通过唯一单据号的数量来体现。

RFM 建模

篇幅原因这里不展示详细的代码，读者可自行文末回复关键字获取~，下图为对数据源进行 RFM 建模后的结果（部分）

一般来说，RFM分出的每类客户，都有着对应且通用的营销策略。比如，对R值、F值都比较低的客户进行唤醒和挽留；激励和发展那些R值、F值高但M值低的用户。其实在笔者看来，营销策略可以被概括为「发展」和「挽留」两大类（表17-12），只不过在面对不同类客户时，“发展”或者“挽留”的程度和手段不同而已。